换一批基于多任务级联深度学习的儿童淋巴结病变智能超声诊断
Intelligent Ultrasound Diagnosis of Pediatric Lymphadenopathy Based on Multi-Task Cascaded Deep Learning
摘要目的 构建基于多任务深度学习的智能诊断系统,旨在提高对传染性单核细胞增多症(IM)、淋巴结结核(TL)及反应性增生(RH)的诊断准确度.方法 回顾性分析553例淋巴结肿大儿童及223例健康儿童影像数据.对比6种深度神经网络架构(ResNet50、DenseNet121、InceptionV3、InceptionResNetV2、RegNetY004、Xception),选取最优 Xception 模型,构建三阶段级联诊断体系:正常/异常判别、IM与非IM区分、TL与RH鉴别,采用独立验证集进行评估,并与不同年资超声医师对比.结果 Xception模型准确率达88％,曲线下面积(AUC)为0.96.三级融合模型总体准确率为83.76％,特异度为86.36％,灵敏度为82.72％.模型鉴别诊断IM、TL和RH的AUC分别为0.966、0.950和0.828,与高年资医师诊断相当(P＞0.05),优于中低年资医师(P＜0.05).结论 本研究提出的多任务级联深度学习模型,可实现儿童淋巴结病变的标准化智能诊断,诊断效能接近高年资医师水平,具有重要的临床应用价值.
更多相关知识
关键词
深度学习儿童淋巴结病变超声诊断多任务学习Deep learningPediatric lymphadenopathyUltrasound diagnosisMulti-task learning
栏目名称
DOI
10.3969/j.issn.1002-0101.2026.02.022
发布时间
2026-03-23（万方平台首次上网日期，不代表论文的发表时间）
基金项目
长沙市卫生健康委科研计划项目（No.KJ-B2023025）
- 浏览5
- 被引0
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
