首页 > 中国医学计算机成像杂志 > 基于YOLO的食管癌增强CT影像多任务模型构建及双中心泛化性验证

基于YOLO的食管癌增强CT影像多任务模型构建及双中心泛化性验证

Construction and Dual-center Generalization Validation of a YOLO-based Multi-task Model for Contrast-enhanced CT Imaging in Esophageal Cancer

二维码有效期 120s

摘要目的:探讨基于YOLO构建食管癌增强CT影像的分类、目标检测和分割的多任务模型,为食管癌临床辅助诊断提供技术支撑.方法:回顾性收集2016年1月至2025年7月来自川北医学院附属医院335例病例与重庆市江津区中医院46例病例的胸部增强CT影像资料.川北医学院附属医院的335例按照8∶1∶1的比列随机划分为训练集(267例)、验证集(34例)、内部测试集(34例),并将重庆市江津区中医院的46例作为独立外部测试集.经过预处理的增强CT影像分别输入10种深度学习模型(YOLOv8与YOLOv11系列各5个尺度(n、s、m、1、x).采用受试者工作特征曲线下面积(AUC)、FI得分、精确率、召回率、交并比(IoU)等参数来评估各模型的性能.结果:YOLOv11m网络模型在内部测试集和外部测试集的表现最佳.其在内部测试集目标检测任务中的精确率、召回率、F1得分、mAP@0.5(IoU阈值为0.5时的平均精度均值)、mAP 0.5-0.95(IoU 阈值从0.5 到 0.95 时的平均精度均值)分别为0.956、0.858、0.905、0.929、0.610,分割任务中的IoU、Dice相似性系数(DSC)分别为0.805、0.864,分类任务的AUC为0.968;在外部测试集目标检测任务中的精确率、召回率、F1得分、mAP@0.5、mAP@0.5-0.95分别为0.902、0.786、0.840、0.870、0.547,分割任务中的IoU、DSC分别为0.793、0.881,分类任务AUC为0.971.结论:基于YOLOv11m构建的食管癌增强CT影像多任务模型在双中心数据中均表现最优,具备良好泛化性能,为食管病变位置及侵袭范围提供可靠依据.