基于DenseNet网络深度学习法CT图像人工智能分析技术判断肺结节良恶性

摘要：

目的:通过与单纯人工阅片进行比较,探讨基于DenseNet网络深度学习的人工智能肺结节自动检测系统鉴别肺结节良恶性的价值和优势.方法:搜集2015年1月-2017年12月本院510例肺结节CT检查病例,由医师组(按照从事胸部CT诊断的年限分为高级医师组和初级医师组)和人工智能组(基于DenseNet网络深度学习的人工智能系统)分别对所有肺结节进行良恶性的诊断,以病理结果为金标准,分别统计各组在不同大小肺结节(直径≤10 mm、10mm＜直径≤20 mm以及直径＞20 mm)良恶性诊断上的敏感度、特异度及符合率,并通过卡方检验进行统计分析.结果:在510例肺结节的诊断中,人工智能组诊断敏感度(93.14％)与高级医师组(91.14％)间差异无统计学意义(P＞0.05),与初级医师组(61.43％)间的差异具有统计学意义(P =0.000);而诊断特异度(95.63％)及符合率(93.92％)均高于医师组(初级56.25％、59.80％;高级58.75％、80.98％),差异均有统计学意义(P=0.000).在≤10mm的肺结节中,人工智能组的诊断敏感度、特异度及符合率均高于高级医师组(90.38％,92.96％,91.43％;78.85％,64.79％,73.14％;所有P=0.000);在10 mm＜直径≤20 mm和直径＞20 mm肺结节组中,人工智能组的诊断敏感度(92.25％,97.12％)与高级医师组(95.77％,97.12％)间的差异均无统计学意义(P =0.211和1.000),但诊断特异度(98.33％,96.55％)及符合率(94.06％,96.99％)均高于高级医师组(51.67％,58.62％;82.67％,88.72％),差异均有统计学意义(P＜0.05).在不同大小的三组结节中,人工智能组诊断敏感度、特异度及符合率均高于初级医师组(敏感度:90.38％vs.17.31％,92.25％ vs.70.42％,97.12％ vs.93.27％;特异度:92.96％ vs.85.92％,98.33％vs.43.33％,96.55％ vs.10.34％;符合率:91.43％ vs.45.14％,94.06％ vs.62.38％,96.99％ vs.75.19％),除两组在≤10 mm肺结节中的诊断特异度(P =0.361＞0.05)和＞20 mm肺结节中的诊断敏感度(P=0.211＞0.05)的差异无统计学意义外,其它指标的组间比较差异均有统计学意义(P均＜0.05).结论:相较于人工诊断,应用人工智能(DenseNet网络深度学习)技术对肺结节的良、恶性进行诊断具有良好、可靠的诊断准确性.

关键词：体层摄影术、X线计算机、人工智能、DenseNet网络、深度学习、肺结节

所属期刊栏目：35

分类号：R814.42;R734.2(放射医学)

资助基金：苏州市民生科技示范工程;江苏数字创新诊疗装备应用示范研究

在线出版日期：2020-06-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：484-488