10.3969/j.issn.1002-0101.2023.02.020
基于卷积神经网络模型对鉴别卵巢肿瘤良恶性的研究
目的 本研究旨在开发用于卵巢肿瘤良恶性超声图像自动诊断的卷积神经网络(CNN)模型,评估该模型与低年资超声医师单独及联合诊断卵巢肿瘤良恶性的效能.方法 选取336例行经阴道超声检查且有明确病理结果的卵巢肿瘤患者,评估CNN模型对卵巢肿瘤超声图像良恶性分类的效能.绘制受试者工作特征(ROC)曲线,对比低年资超声医师、CNN模型以及联合诊断3种方式的诊断效能.结果 低年资超声医师诊断卵巢良恶性肿瘤的特异度和阳性预测值(79.55%和76.77%)高于CNN模型,而准确度、灵敏度和阴性预测值(77.08%、74.38%和77.35%)显著低于CNN模型;二者联合诊断准确度、特异度、阳性预测值和阴性预测值(84.23%、87.50%、85.43%和83.24%)均显著高于任一种单独诊断方式,仅灵敏度(80.63%)略低于CNN模型.联合诊断的受试者工作特征曲线下面积(AUC)为0.84,显著高于单独诊断的低年资医师(AUC为0.77)及CNN模型(AUC为0.79).结论 CNN模型可以有效鉴别卵巢肿瘤的良恶性,CNN模型和低年资医师诊断效能相近,二者联合诊断有助于提升低年资超声医师对卵巢肿瘤性质的诊断能力.
卷积神经网络、经阴道超声、卵巢肿瘤
39
TP391.41;R714.3;R575.2
黑龙江省自然科学基金项目No.LH2022H033
2023-04-17(万方平台首次上网日期,不代表论文的发表时间)
共4页
187-190