换一批基于多尺度Vision Transformer低剂量CT影像模型在肺结节风险评估中的研究
A Multi-Scale Vision Transformer Model from Low-Dose CT Scan for Assessing Lung Nodule Risk
摘要[目的]构建融合低剂量CT(low-dose CT,LDCT)影像的深度学习与影像组学特征的深度学习模型,提高肺结节风险评估的准确性.[方法]回顾性纳入2020年7月至2022年3月期间在江西省肿瘤医院和浙江省肿瘤医院接受LDCT检查并经病理诊断明确结节性质的353例患者.采用YOLOv8模型进行肺结节自动检测,并构建多尺度3D-ResViT肺结节分类模型对结节进行高低危分类.同步提取影像组学特征,多维筛选关键特征嵌入模型实现信息互补融合.[结果]3D-ResViT肺结节分类模型进行肺结节风险分层受试者工作特征曲线下面积(area under the curve,AUC)在内部测试集达到 0.868(95％CI:0.802～0.926),在外部测试集AUC为 0.845(95％CI:0.711～0.950).融合影像组学特征后的深度学习-影像组学联合模型在内部测试集和外部测试集AUC分别提升至0.890(95％CI:0.826～0.946)和0.865(95％CI:0.706～0.990),集成梯度可视化与SHAP分析进一步验证了模型的有效性.[结论]深度学习-影像组学联合模型可有效提升LDCT筛查中肺结节的风险评估准确性,具备较高的临床转化潜力.
更多相关知识
关键词
肺肿瘤肺结节低剂量CT深度学习影像组学风险评估lung neoplasmslung nodulelow-dose CTdeep learningradiomicsrisk assessment
分类号
R734.2（呼吸系肿瘤）
栏目名称
DOI
10.11735/j.issn.1671-170X.2025.09.B007
发布时间
2025-10-31（万方平台首次上网日期，不代表论文的发表时间）
基金项目
江西省科技厅重点研发计划重点项目（2021BBG71006）
江西省卫生健康委科技计划项目（202410059）
- 浏览2
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
