医用CT及低剂量X线机综合评价体系研究
项目来源
项目主持人
项目受资助机构
立项年度
立项时间
项目编号
项目级别
研究期限
受资助金额
学科
学科代码
基金类别
关键词
参与者
参与机构
项目受资助省
项目实施周期(年)
1.深度学习在胸部CT肺结节恶性风险评估的应用策略研究
- 指导老师: 卢光明
- 0年
- 学位论文
肺结节恶性风险评估对于肺结节的临床管理至关重要。传统肺结节风险评估模型依赖影像征象和临床特征,需要医师标注且存在一定主观差异。深度学习及影像组学在肺结节风险评估有较多研究,但临床应用仍存在困难。目的:1、提出用于深度学习算法临床落地的有序层级网络导向策略(Hierarchical-Ordered Network-ORiented Strategy,HONORS);构建在不同临床场景用于肺结节恶性风险评估的深度学习算法,过滤器引导的金字塔网络(Filter-guided pyramid network,FGP-NET),基于 FGP-NET 对 HONORS 的性能进行验证。2、将FGP-NET与传统肺结节风险评估模型对比以及与126名影像科医师的诊断水平对比来探讨其潜在临床应用价值。方法:1、我们基于金陵数据集和国家肺癌筛查实验(National Lung Screening Trial,NLST)数据集进行FGP-NET的训练和验证,共纳入2106例结节(包含筛查结节和临床诊断结节)的胸部计算机断层扫描(computed tomography,CT)图像。并进行来自三家医院的多中心外部测试(n=341)。计算曲线下面积(area under the curve,AUC)评估FGP-NET的性能。基于FGP-NET,我们对HONORS(包含两种策略)进行验证。首先,在人工智能自动诊断策略中,对筛查结节选择高敏感性阈值,对临床诊断结节选择高特异性阈值。其次,在人机耦合策略中选择约登阈值。2、我们在金陵测试集上进行FGP-NET与传统风险评估模型包括Mayo模型和Brock模型,以及FGP-NET和126名影像科医师诊断能力的对比。计算传统风险预测模型的AUC。计算每个医师的敏感性及特异性后求126名医师的平均值。对126名医师的诊断结果进行投票得到多数医师诊断结果。计算126名医师、多数医师诊断结果、FGP-NET的一致性。结果:1、FGP-NET在内部及外部测试集的AUC分别为0.969(95%CI:0.943-0.986)和0.847(95%CI:0.804-0.883)。其中,外部测试集的子集AUC范围为0.890-0.942。在人工智能自动诊断策略中,HONORS介导的FGP-NET在筛查结节中以高敏感性诊断良性结节(敏感性,95.5%,特异性,72.5%),在临床诊断结节中以高特异性诊断恶性结节(敏感性,31.0%,特异性,97.5%),这部分结节可以得到模型的可靠精确诊断而不需要医师进一步干预。在人机耦合策略中,剩余的可疑结节也被模型进一步诊断,这些结节需要医师进一步确认。2、在金陵测试集中,FGP-NET 的 AUC 为 0.927(95%CI,0.857-0.969),高于Mayo 模型(0.684;95%CI,0.583-0.773;P<0.001)和 Brock 模型(0.727;95%CI,0.629-0.811;P<0.001)。126名医师诊断的平均敏感性为72.2±15.1%,特异性为71.7±15.5%。FGP-NET的敏感性(93.3%)高于医师的平均值,而特异性(64.0%)稍低。126个医师的平均读者间一致性一般(kw=0.315±0.139),多数医师诊断结果和FGP-NET的一致性中等(kw=0.538),超过了 78个医师。结论:FGP-NET在评估肺结节恶性风险中达到了媲美医师的诊断水平。HONORS有望作为临床策略辅助优化临床流程,减少误诊。
...
