基于三维卷积神经网络肺结节深度学习算法模型临床效能初步评估 |
| |
作者姓名: | 王祥 李清楚 邵影 邹勤 孙安 陈彦博 陈如谭 高耀宗 刘士远 萧毅 |
| |
作者单位: | 海军军医大学(原第二军医大学)附属长征医院影像科,上海,200003;上海联影智能医疗科技有限公司,上海,201210 |
| |
基金项目: | 上海市科学技术委员会基金项目(NO: 17411952400);国家重点研发计划政府间合作项目(NO: 2016YFE0103000);上海市卫计委智慧医疗项目(NO:2018ZHYL0101);科技部国家重点研发计划(NO:2018YFC0116404); |
| |
摘 要: | 【摘要】目的:为评价人工智能模型的应用价值,本研究在专家共识的基础上建立了肺结节标准测试集,对前期建立的一种基于三维卷积神经网络肺结节深度学习算法模型进行验证,评价该模型的临床效能和限度。方法:基于胸部CT肺结节数据标注与质量控制专家共识建立标准测试数据集,对前期建立的基于三维卷积神经网络的肺结节深度学习算法模型及传统CAD系统(Siemens syngo.via VB 3.0 和Philips ISP V8)进行检验,在肺结节检出灵敏度、精准度以及平均每例假阳性个数等多个指标方面进行优效验证。结果:针对测试数据集中的肺结节,Syngo.via工作站检出灵敏度为36%,精准度为69%,平均每例假阳性1.2个;Philips ISP工作站肺结节检出灵敏度为34%,精准度为73%,平均每例假阳性0.9个;三维卷积神经网络的肺结节深度学习算法模型检出灵敏度为90%,精准度为71%,平均每例假阳性2.8个。结论:该三维卷积神经网络算法模型相较于传统CAD系统,肺结节检出灵敏度显著提升。由于训练数据集的偏倚等问题,灵敏度仍有进一步提升的空间。通过针对性地补充训练数据集,如增加磨玻璃结节的比重,可进一步提升肺结节检出灵敏度。改进之后的模型有望成为影像医生肺癌筛查工作的得力助手。
|
关 键 词: | 肺结节 人工智能 卷积神经网络 计算机辅助筛查 体层摄影术 X线计算机 磨玻璃结节 |
本文献已被 万方数据 等数据库收录! |
| 点击此处可从《放射学实践》浏览原始摘要信息 |
|
点击此处可从《放射学实践》下载免费的PDF全文 |