论文部分内容阅读
背景和目的:颈部淋巴结肿大是颈部乃至全身许多疾病的常见临床表现,其良恶性鉴别不仅仅对疾病定性诊断有帮助,而且是恶性肿瘤患者分级、分期的重要依据,同时对肿瘤患者的生存、局部复发和远处转移的判断有重要价值。深度学习(Deep learning,DL)是人工智能(Artificial intelligence,AI)的方法之一,它是一种以神经元为基本单位的卷积神经网络,是目前医学领域最先进的机器学习方法之一。该模型已应用于肺结节的识别与鉴别、肺癌淋巴结转移的识别与定位、肝癌的分级、心血管疾病的危险因素分层及肿瘤患者预后模型的建立等疾病多个方面,并取得了较高的诊断效能。因此,本研究旨在探讨深度学习模型是否能在多种颈部淋巴结病变中对淋巴结做出良恶性定性诊断及能否对颈部转移淋巴结来源进行预测。第一部分基于深度学习模型的颈部淋巴结定性诊断的初步研究目的:探讨人工智能深度学习模型在颈部淋巴结定性诊断中的应用价值。材料与方法:收集经组织病理学证实的115例病人的颈部增强CT轴位图像,包括恶性淋巴结207枚和良性淋巴结359枚,按照就诊时间顺序将前486枚(恶性169枚,良性317枚)作为训练组,后80枚(恶性38枚,良性42枚)作为验证组。训练组采用DenseNet网络进行模型训练,将训练后的模型对验证组淋巴结进行测试,根据混淆矩阵计算其准确率、敏感度、特异性、阳性预测值(PPV)、阴性预测值(NPV),并绘制受试者工作特征曲线(ROC)。结果:采用深度学习算法对验证组淋巴结定性诊断的准确率、敏感度、特异性、PPV、NPV分别为83.8%、76.3%、90.5%、87.9%、80.9%,曲线下面积(AUC)为 0.842。结论:基于深度学习算法的DenseNet模型可以用于颈部淋巴结良恶性的鉴别诊断,其诊断效能优于常规影像方法的经验诊断,且可以节省时间。第二部分基于深度学习模型的颈部转移淋巴结来源判断的初步研究目的:探讨人工智能深度学习模型能否对恶性肿瘤颈部转移淋巴结的来源进行初步判断。材料与方法:收集经病理学证实的59例病人的颈部增强CT轴位图像,包括头颈部恶性肿瘤转移淋巴结98枚和身体其它部位恶性肿瘤转移淋巴结110枚,按照就诊时间顺序将前128枚(头颈部转移54枚,其他部位转移74枚)作为训练组,后80枚(头颈部转移44枚,其他部位转移36枚)作为验证组。训练组采用DenseNet网络进行模型训练,将训练后的模型对验证组淋巴结进行测试,根据混淆矩阵计算其准确率、敏感度、特异性、阳性预测值(PPV)、阴性预测值(NPV),并绘制受试者工作特征曲线(ROC)。结果:采用深度学习算法对验证组转移淋巴结来源判断的诊断准确率、敏感度、特异性、PPV、NPV 分别为 67.5%、59.1%、77.8%、76.5%、60.9%,曲线下面积(AUC)为 0.747。结论:初步研究表明,基于深度学习算法的DenseNet模型可以在一定程度上对颈部转移淋巴结来源进行预测,其诊断效能尚需要在更大规模的数据集上进一步验证。