我们的网站为什么显示成这样?

可能因为您的浏览器不支持样式,您可以更新您的浏览器到最新版本,以获取对此功能的支持,访问下面的网站,获取关于浏览器的信息:

|本期目录/Table of Contents|

基于深度学习的CT肺腺癌病理分类辅助诊断研究(PDF)

《实用放射学杂志》[ISSN:1002-1671/CN:61-1107/R]

期数:
2020年07期
页码:
1048-1051
栏目:
胸部放射学
出版日期:
2020-07-20

文章信息/Info

Title:
Research on assisted diagnosis of pathological classification of lung adenocarcinoma in CT images based on deep learning
作者:
侯秋阳邓克学田玉龙戴 钢邢江浩
安徽医科大学附属省立医院影像科,安徽 合肥 230001
Author(s):
-
关键词:
深度学习人工智能肺腺癌计算机体层成像
分类号:
TP18;R743.2;R814.42
DOI:
-
文献标识码:
A
摘要:
目的 分析基于深度学习的人工智能辅助诊断系统对直径≤3 cm肺腺癌病理分类的应用价值,并评估其预测表现。方法 回顾性分析713例经病理证实且病灶直径≤3 cm的肺腺癌患者的CT图像,按照2:1的比例随机分为训练组和验证组,训练深度学习模型并利用验证组数据测试该模型。按照病理类型分为浸润前病变[非腺瘤样增生(AAH)及原位腺癌(AIS)]、微浸润腺癌(MIA)及浸润性腺癌(IAC)3组,分析验证组病灶的形态学征象,并自动测算出病灶的CT定量参数,按2~5级评分对肺腺癌病理类型进行预测,比较各组间参数差异。结果 在模型判断的CT定量参数中,3组间三维最大长短径、体积、最大CT值、平均CT值及预测得分差异均有统计学意义(P<0.05);形态学征象中,分叶征、毛刺征、血管集束征、胸膜凹陷征差异均有统计学意义(P<0.05);以得分>3.5分作为诊断浸润性病变的临界点,AUC=0.873,诊断敏感度81.9%,特异度84.4%。结论 基于深度学习的人工智能辅助诊断系统对鉴别≤3 cm肺腺癌的病理类型具有一定预测价值,具有较好的可重复性,可有效提高肺腺癌病理分类的准确性。

参考文献/References

-

备注/Memo

备注/Memo:
安徽省科学技术厅公益性技术应用研究联动计划项目(1704f0804009)。
更新日期/Last Update: 2020-07-30