胸部增强CT不同重组算法深度学习诊断肺结节良恶性.pdf

在现代医学影像诊断领域，胸部增强CT扫描是一种常见的检查方式，尤其在肺部疾病的诊断中具有重要价值。肺结节作为CT影像中常见的表现形式，其良恶性鉴别对于后续治疗计划的制定至关重要。深度学习技术近年来在医疗影像诊断中的应用逐渐增多，为肺结节的良恶性鉴别提供了新的方法和手段。本研究探讨了在胸部增强CT扫描中使用不同重组算法对深度学习辅助诊断肺结节良恶性的影响。 深度学习是一种人工智能算法，其在图像识别领域的应用已经取得显著成就，能够从大量数据中学习并识别出复杂的模式和特征。在医疗影像分析中，深度学习可以帮助医生更准确地进行诊断，提高病变检测的准确性，降低误诊率。深度学习辅助诊断系统通常基于大量的影像学资料进行学习，通过识别影像中的特征，预测疾病的可能性。 在本研究中，所使用的深度学习辅助诊断系统（InferRead LungCT Research，Infervision，北京，中国）被用来分析肺结节的恶性概率值。系统首先对收集到的CT增强扫描资料进行处理，该资料来源于40例病理证实的肺结节患者，时间跨度为2018年1月至2019年1月。患者中良性结节10例，恶性结节30例。所使用的CT图像以1mm薄层进行重组，并应用了两种不同的重组算法，分别是B30f和B70f。 B30f和B70f代表了不同的CT图像重建核（reconstruction kernel），这些重建核会影响图像的对比度和锐度。在本研究中，B70f重组算法对于良性和恶性肺结节的检出率均得到了提高。通过对每个肺结节进行恶性概率值的计算，并与手术病理结果进行比较，研究者们记录了每种重组算法下的恶性概率值，并计算了不同重组算法良恶性结节诊断符合率的ROC曲线下面积（AUC）。 结果表明，B30f重组算法对于良性结节的诊断符合率为42.86%，对于恶性结节的诊断符合率为90.00%；而B70f重组算法对于良性结节的诊断符合率为44.44%，对于恶性结节的诊断符合率为86.67%。在比较AUC值时，B30f算法的AUC为0.473，而B70f算法的AUC为0.704，后者显著提高了预测所有病变的准确性。 B70f重组算法结合深度学习辅助诊断系统对于肺结节的良恶性判断具有更高的准确性，能够有效提高肺结节检出率，尤其是在鉴别肺结节良恶性方面，表现出较高的诊断符合率和ROC曲线下的面积。这说明深度学习技术在肺结节诊断中的应用具有实际的临床价值，能够为医生的诊断提供重要的参考信息。 然而，需要注意的是，任何诊断工具都不能完全替代专业医生的判断。深度学习技术虽然在提高诊断率方面展现出潜力，但仍需在实际应用中与医生的临床经验和诊断技能相结合。同时，深度学习模型在不同医疗中心和不同设备上可能需要经过重新训练和验证，以保证其准确性和普适性。此外，由于本文中部分文字因OCR扫描技术原因可能存在识别错误，因此在实际应用深度学习技术进行肺结节诊断时，还需结合临床实际情况进行综合评估。