基于深度学习的肺结核CT诊断模型效能初探

【摘要】目的 评价基于深度学习卷积神经网络（convolutional neural networks, CNN）的肺结核CT辅助诊断模型在临床中的应用价值。方法 收集我院2017年3月至2018年3月间痰菌阳性并接受胸部高分辨率CT平扫检查的患者1764例，由4名影像科医师对含病变的19167幅CT图像进行分类标注（19种影像特征），放入基于CNN的深度学习网络进行训练，构建肺结核CT图像AI诊断模型。从已标注图像中随机抽取302幅图像进行测试，以2名高级职称医师的诊断为 “金标准”，比较AI诊断模型和医师在肺结核CT诊断中灵敏度和准确率的差异，统计AI诊断模型分类错误的类型、数量。 结果 标注数量最多的前5种影像特征依次为：浸润型肺结核、空洞型肺结核、干性结核性胸膜炎、干酪性肺炎和渗出性结核性胸膜炎，其AI诊断准确率分别为：95.33%、73.68%、73.07%、83.33%和94.11%；AI模型的总体诊断灵敏度和准确率分别为：95.49%和90.40%，医师的对应数值分别为：93.80%和92.80%，两者间均无统计学差异（P>0.05）；AI诊断模型诊断结核病变的分类错误主要集中于纤维索条影、空洞型肺结核、干酪性肺炎与浸润型肺结核的混淆上。结论  基于CNN的肺结核CT辅助诊断模型有较高的诊断灵敏度和准确性，该模型可辅助影像科医师的肺结核诊断工作，值得在临床工作中推广应用。

【关键词】人工智能；卷积神经网络；肺结核；CT