| 对比卷积神经网络分类模型与放射科医师鉴别浸润性肺腺癌的效能 |
| |
| 引用本文： | 尹柯,张久权,伍建林,巴文娟,林琳,沈晶,熊婧彤,张伟杰.对比卷积神经网络分类模型与放射科医师鉴别浸润性肺腺癌的效能[J].中国医学影像技术,2021,37(9):1338-1342. |
| |
| 作者姓名： | 尹柯 张久权 伍建林 巴文娟 林琳 沈晶 熊婧彤 张伟杰 |
| |
| 作者单位： | 重庆大学附属肿瘤医院影像科, 重庆 400030;大连大学附属中山医院放射科, 辽宁 大连 116001;扬州大学附属医院放射科, 江苏 扬州 225003;大连医科大学附属第二医院放射科, 辽宁 大连 116023;陕西渭南神州德信医学成像技术有限公司, 陕西 渭南 714099 |
| |
| 基金项目： | 重庆市科卫联合医学科研项目（2019ZDXM007）。 |
| |
| 摘 要： | 目的 比较基于胸部CT建立的卷积神经网络（CNN）分类模型与放射科主治医师分类磨玻璃结节（GGN）中的浸润前病变（PIL）与浸润性腺癌（IA）的效能。方法 回顾性分析1 086例经病理确诊PIL或IA患者的胸部CT，共1 214枚GGN，按9 ∶ 1比例将其分为训练组（n=1 092）及验证组（n=122）。对训练组数据进行各向同性预处理和3D图像块随机采样和填充，建立CNN分类模型，将训练组GGN分类为PIL或IA，并于验证组进行验证。由2名放射科主治医师（医师1和2）对验证组GGN进行分类，鉴别PIL与IA。采用受试者工作特征（ROC）曲线比较CNN分类模型与2名放射科主治医师对验证组进行分类的效能。结果 ROC曲线显示，CNN分类模型、医师1及2鉴别PIL与IA的曲线下面积（AUC）分别为0.866、0.742及0.769；CNN分类模型诊断敏感度（84.81%）显著高于医师1（67.09%，χ2=11.352，P<0.001）、2（74.68%，χ2=18.473，P<0.001），而特异度与医师1、2差异均无统计学意义（P均>0.05）。结论 CNN分类模型鉴别GGN中的PIL与IA的效能优于放射科医师。
|
| 关 键 词： | 肺肿瘤 肺腺癌 肿瘤侵袭性 人工智能 |
| 收稿时间： | 2020/12/21 0:00:00 |
| 修稿时间： | 2021/6/20 0:00:00 |
Comparison on convolutional neural network classification model and radiologists in differentiating invasive lung adenocarcinoma |
| |
| YIN Ke,ZHANG Jiuquan,WU Jianlin,BA Wenjuan,LIN Lin,SHEN Jing,XIONG Jingtong,ZHANG Weijie.Comparison on convolutional neural network classification model and radiologists in differentiating invasive lung adenocarcinoma[J].Chinese Journal of Medical Imaging Technology,2021,37(9):1338-1342. |
| |
| Authors: | YIN Ke ZHANG Jiuquan WU Jianlin BA Wenjuan LIN Lin SHEN Jing XIONG Jingtong ZHANG Weijie |
| |
| Affiliation: | Department of Radiology, Chongqing University Cancer Hospital, Chongqing 400030, China;Department of Radiology, Affiliated Zhongshan Hospital of Dalian University, Dalian 116001, China;Department of Radiology, Affiliated Hospital of Yangzhou University, Yangzhou 225003, China;Department of Radiology, the Second Hospital of Dalian Medical University, Dalian 116023, China; Shaanxi Weinan Shenzhou Dexin Medical Imaging Technology Co., Ltd., Weinan 714099, China |
| |
| Abstract: | |
| |
| Keywords: | lung neoplasms adenocarcinoma of lung neoplasm invasiveness artificial intelligence |
|
| 点击此处可从《中国医学影像技术》浏览原始摘要信息 |
|
点击此处可从《中国医学影像技术》下载全文 |
|
