基于颞骨CT的深度迁移学习放射组学模型辅助鉴别内耳畸形

作     者：赵星 李晓鸽 高坤 邵航 袁永一 戴朴 ZHAO Xing;LI Xiaoge;GAO Kun;SHAO Hang;YUAN Yongyi;DAI Pu

作者机构：中国人民解放军总医院第六医学中心耳鼻咽喉头颈外科医学部解放军医学院国家耳鼻咽喉疾病临床医学研究中心北京100853 浙江清华长三角研究院 

出 版 物：《临床耳鼻咽喉头颈外科杂志》 (Journal of Clinical Otorhinolaryngology Head And Neck Surgery)

年 卷 期：2024年第38卷第6期

页      面：547-552页

核心收录：

学科分类：1002[医学-临床医学] 100213[医学-耳鼻咽喉科学] 10[医学] 

基　　金：国家重点研发计划项目(No:2022YFC2703602) 国家自然科学基金资助项目(No:61827805) 

主　　题：内耳畸形 深度学习 放射组学 计算机断层扫描 鉴别诊断 

摘      要：目的评估传统放射组学、深度学习以及深度学习放射组学特征融合模型在颞骨计算机断层扫描(CT)上诊断内耳畸形的效能。方法回顾性收集572耳颞骨CT数据,其中包含201耳畸形内耳和371耳正常内耳,按照4∶1的比例将其随机分为训练集(n=458)和测试集(n=114)。从上述颞骨CT图像中提取深度迁移学习特征和放射组学特征,并进行特征融合。以来自国家耳鼻咽喉疾病临床研究中心的2名耳科主任医师的CT判读结果作为诊断标准。使用受试者工作特征曲线(ROC)评估模型性能,计算模型的准确率、灵敏度、特异度等指标,并使用德龙检验比较模型的预测能力。结果从传统放射组学中获得1179个放射组学特征,从深度学习中获得2048个深度学习特征,在对两者进行特征筛选和融合后获得137个融合特征。深度学习放射组学特征融合模型在测试集上的AUC为0.9640(95%CI 0.9314~0.9968),准确率为0.922,灵敏度为0.881、特异度为0.945。单纯放射组学特征在测试集上的AUC为0.9290(95%CI0.8822~0.9749),准确率为0.878,灵敏度为0.881,特异度为0.877。深度学习特征在测试集上的AUC为0.9470(95%CI 0.8982~0.9948),准确率为0.913,灵敏度为0.810,特异度为0.973。即深度学习放射组学特征融合模型的预测准确率和AUC均最高。德龙检验表明,任何2种模型之间的差异均无统计学意义。结论特征融合模型可用于正常和内耳畸形的鉴别诊断,与单独使用放射组学或深度学习模型相比,其诊断效能有所提高。