换一批摘要目的 采用深度卷积神经网络(CNN)构建用于诊断泌尿系结石成分的输尿管镜(URS)图像分析模型.方法 收集2022年1月至2024年7月本院800例接受泌尿系结石URS手术治疗患者的资料,经过筛选,最终获得2475张高质量URS图像数据,随机分为训练集(70%)和测试集(30%).采用在ImageNet数据集上预训练的Inception v3、ResNet50、AlexNet、VGG 19、DenseNet等网络架构,通过迁移学习技术构建了泌尿系结石成分分析模型.此外,还比较各模型的分类性能,并与泌尿外科医师在术中URS下的评估结果进行对比.结果 在训练集和测试集上对构建的泌尿系结石成分URS图像诊断模型进行评估发现,Inception v3、ResNet50、AlexNet、VGG 19、DenseNet模型均具有较高的分类能力.其中Inception v3模型表现最佳,具有最高的准确度(训练集98.10%,测试集98.00%)、AUC值(训练集0.852,测试集0.834)、特异度(训练集82.42%,测试集81.37%)及敏感度(训练集88.36%,测试集86.43%).一致性检验结果表明,各泌尿系结石成分URS图像诊断模型与医师经验诊断具有较好的一致性,并且Inception v3模型的分类一致性最佳(P<0.001).结论 深度学习技术在泌尿系结石成分诊断中显示出一定的应用潜力.基于CNN构建的泌尿系结石成分URS图像诊断模型具有较好的分类能力,可用于预测泌尿系结石成分.
更多相关知识
关键词
深度卷积神经网络泌尿系结石输尿管镜图像诊断模型Deep convolutional neural networksUrinary tract stonesUreteroscopy imagesDiagnostic model
栏目名称
发布时间
2025-03-14（万方平台首次上网日期，不代表论文的发表时间）
基金项目
温州市科技计划项目（Y2023451）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
