期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于深度学习在弥漫性囊腔性肺疾病分类中的应用
1
作者 向佳 陈茜彤 +5 位作者 卢颖欣 郑思捷 黄俊杰 陈莹莹 黄绥丹 陈淮 《实用医学杂志》 CAS 北大核心 2024年第19期2747-2754,共8页
目的拟基于深度学习方法,初步对几种弥漫性囊腔性肺疾病建立辅助诊断模型,同时评估各诊断模型的分类表现能力,并从中择出最优化的诊断模型,以服务临床诊断。方法收集2010年1月至2022年10月经病理证实确诊为特发性肺纤维化(IPF)、肺淋巴... 目的拟基于深度学习方法,初步对几种弥漫性囊腔性肺疾病建立辅助诊断模型,同时评估各诊断模型的分类表现能力,并从中择出最优化的诊断模型,以服务临床诊断。方法收集2010年1月至2022年10月经病理证实确诊为特发性肺纤维化(IPF)、肺淋巴管平滑肌瘤病(PLAM)以及肺朗格汉斯细胞组织细胞增生症(PLCH)的患者288例(IPF 76例、PLAM 179例、PLCH 33例),CT数共877例(IPF 232例、PLAM 557例、PLCH 88例)。以2019年12月31日为节点,将CT分为数据集A(CT数共500例,其中IPF 185例、PLAM 265例、PLCH 50例)和数据集B(CT数共377例,其中IPF 47例、PLAM 292例、PLCH 38例)。将数据集A按7∶1∶2的比例随机划分为训练集、验证集、测试集,进行预处理及数据扩增后导入6种不同的深度学习神经元网络进行训练。绘制受试者工作特征曲线,以曲线下面积、准确度、敏感度、特异度、F1分数等指标评估模型性能,从中选出最优模型。再从数据集B中各病种随机抽取30例形成测试集B,投入训练好的最优模型中进行测试,再次以相同指标评估模型性能。结果基于数据集A测试结果,建立的6个诊断模型在识别分类IPF、LAM上的各项目分类性能优先,AUC皆大于0.9。EfficientNet在分类LCH上,0.6<AUC<0.7,分类效能一般;Vgg11在分类LCH上,0.8<AUC<0.9,其余4个模型在分类LCH上,AUC皆大于0.9,分类效果优秀;除InceptionV3外,其余5个诊断模型在识别分类LCH上的性能欠佳。综合多个指标考虑,InceptionV3模型在6个模型中综合性能最佳,各项评估参数都处于较高水平,总体准确率94.90%,精确率93.49%,召回率90.84%,特异度96.91%。将数据集B投入训练好的InceptionV3模型进行测试,根据输出结果计算得准确率81.11%,精确率82.50%,召回率81.11%,特异度为90.6%。结论基于胸部CT图像结合深度学习技术构建的6种识别分类模型能较有效地区分LAM、LCH、IPF三种疾病,特别是在IPF、LAM的识别 展开更多
关键词 肺部弥漫性囊腔型罕见病 深度学习 特发性肺纤维化 肺淋巴管平滑肌瘤病 肺朗格汉斯细胞组织细胞增生症
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部