基于CT临床放射组学列线图与深度学习鉴别非典型肺错构瘤和肺腺癌

Clinical radiomics nomogram and deep learning based on CT in discriminating atypical pulmonary hamartoma from lung adenocarcinoma

二维码有效期 120s

摘要目的探讨临床放射组学列线图(CRN)和深度学习卷积神经网络(DCNN)对非典型肺错构瘤(APH)和非典型肺腺癌(ALA)的鉴别诊断价值.方法从两家医疗机构回顾性收集307例患者.机构1的患者按照7∶3的比例随机分为训练集(n=184:APH=97,ALA=87)和内部验证集(n=79:APH=41,ALA=38),机构2的患者作为外部验证集(n=44:APH=23,ALA=21).分别建立 CRN 模型和 DCNN模型,并采用德隆检验和受试者工作特性曲线(ROC)对两种模型的性能进行比较.通过人-机竞赛评估人工智能(AI)在肺结节Lung-RADS分类中的价值.结果 DCNN模型在训练集和内、外部验证集中的曲线下面积(AUC)均高于CRN 模型(0.983 vs 0.968、0.973 vs 0.953、0.942 vs 0.932),但差异无统计学意义(P=0.23、0.31、0.34).在放射科医师-AI竞争实验中,AI倾向于下调APH组中更多的Lung-RADS 类别,并肯定ALA中更多的Lung-RADS类别.结论 DCNN及CRN在区分APH和ALA方面具有较高价值,前者表现更优;AI在评价肺结节的Lung-RADS分类方面优于放射科医师.

作者王传彬 ^[1] 李翠平 ^[2] 曹锋 ^[3] 郜言坤 ^[2] 钱宝鑫 ^[4] 董江宁 ^[3] 吴兴旺 ^[2] 学术成果认领

作者单位安徽医科大学第一附属医院放射科,合肥 230022;中国科学技术大学附属第一医院(安徽省立医院)影像科,合肥 230031 ^[1] 安徽医科大学第一附属医院放射科,合肥 230022 ^[2] 中国科学技术大学附属第一医院(安徽省立医院)影像科,合肥 230031 ^[3] 北京汇医慧影医疗科技有限公司,北京 100192 ^[4]

关键词错构瘤肺腺癌列线图深度学习人工智能计算机断层扫描 hamartoma lung adenocarcinoma nomogram deep learning artificial intelligence computed tomo-graphy

分类号 R734.2 R447

栏目名称 临床医学研究

DOI 10.19405/j.cnki.issn1000-1492.2024.02.026

发布时间 2024-04-19

基金项目

安徽省自然科学基金面上项目