目的通过深度残差神经网络(ResNet38)对腹部立位平片进行学习,从中检出小肠梗阻。方法本研究使用的训练集和测试集数据来源于西安交通大学第一附属医院及陕西省核工业二一五医院,独立验证集数据来源于陕西省核工业二一五医院。由2名经验丰富的影像科诊断医师依据腹部立位平片小肠梗阻的4种征象分别对来源于2家医院的3298张腹部立位平片进行分类,意见不一致时讨论达到共识,其中小肠梗阻569例(17.3%),非小肠梗阻2729例(82.7%)。对2组数据采用完全随机分组的方法组成训练集2305张和测试集993张(训练集∶测试集=2.3∶1),其中训练集小肠梗阻405例(17.6%),非小肠梗阻1900例(82.4%);测试集小肠梗阻164例(16.5%),非小肠梗阻829例(83.5%)。训练集和测试集小肠梗阻的诊断均以有丰富经验的影像科医师的评判为标准。验证集共861张腹部立位平片,其中小肠梗阻99例(11.5%),非小肠梗阻762例(88.5%),以手术结果及临床诊断为金标准。本研究使用ImageNet 2012年大规模视觉识别挑战赛数据集(ILSVRC2012)对深度残差神经网络(ResNet38)进行预训练;用训练集数据对深度残差神经网络(ResNet38)再训练建立诊断模型;测试集主要用于学习算法过程中,调整算法的参数来修正网络,从而使得网络模型效能更优。结果本研究开发的小肠梗阻诊断模型在测试集上敏感性为84.1%,特异性为65.0%,受试者工作特征曲线(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)为0.83(95%CI为0.82~0.92);在验证集上的敏感性为89.9%,特异性为68.0%,ROC曲线下面积为0.87(95%CI为0.82~0.92),AUC为0.87。结论对深度残差神经网络进行有限的数据训练,可以获得一个有效的用于在腹部立位平片上检出小肠梗阻的诊断模型。
目的探讨T2WI机器学习鉴别高级别胶质瘤和脑单发脑转移瘤的价值。方法收集我院2016年1月至2018年11月经病理或随访证实为高级别胶质瘤(41例)或脑单发转移瘤(34例)的患者。所有患者术前均行常规MRI检查,其中包含轴面T2WI。采用ITK-SNAP软件在T2WI上对全瘤进行逐层手动勾画水肿范围感兴趣区(region of interest,ROI),病灶最上和最下两层除外。通过Python对每层ROI进行纹理和形态学特征提取。特征分类统计方法采用支持向量机(support vector machine,SVM)、Logistic回归和朴素贝叶斯机器学习算法,其中70%数据作为训练集,30%作为验证集。同时邀请2名具有3年以上影像诊断经验的医师对病灶水肿区/对侧正常脑组织信号比(nSI)进行半定量受试者工作特征曲线(receiver operating characteristic,ROC)分析,结果均以曲线下面积(area under the curve,AUC)、敏感性和特异度表示,并比较不同方法的诊断效能。结果基于T2WI图像特征机器学习分析,SVM算法具有较高的诊断效能,训练集和测试集AUC分别为0.79(95%confidence interval,CI:0.75~0.83)和0.71(95%CI:0.64~0.77),敏感性和特异度分别为70.88%(95%CI:65.0%~76.3%)和77.13%(95%CI:70.5%~82.9%);Logistic回归和朴素贝叶斯诊断效能较低,训练集和测试集AUC分别为0.77(95%CI:0.73~0.81)/0.67(95%CI:0.60~0.73),0.72(95%CI:0.67~0.76)/0.62(95%CI:0.55~0.69),相比SVM差异有统计学意义;医师半定量分析诊断效能最低,AUC为0.58(95%CI:0.44~0.70)。结论 T2WI图像特征机器学习在术前鉴别高级别胶质瘤和脑单发转移瘤中具有一定的优势,其中SVM模型最具潜力。
