目的构建适应中国人群的乳腺钼靶图像分类辅助系统,探讨人工智能技术在国内辅助乳腺癌早期筛查的潜力。方法为复现当前文献中的主流深度学习方法,利用乳腺X线筛查数字数据库子集(curated breast imaging subset of digital database for...
详细信息
目的构建适应中国人群的乳腺钼靶图像分类辅助系统,探讨人工智能技术在国内辅助乳腺癌早期筛查的潜力。方法为复现当前文献中的主流深度学习方法,利用乳腺X线筛查数字数据库子集(curated breast imaging subset of digital database for screening mammography,CBIS-DDSM)、乳房X线图像分析学会数据库(mammographic image analysis society database,MIAS)等国际公开数据集分别进行模型训练,并在华教科技有限公司提供的中国人群乳腺钼靶图像数据集(Chinese breast mammography dataset,CBMD)上进行测试和模型性能比较;针对中国人群数据在公开数据集训练模型性能测试不理想的问题,结合中国人群数据特点,提出基于滑动窗口调窗机制的优化策略,设计二阶段迁移学习方法,以提升模型的整体性能,并进行系统研发。结果使用滑动窗口调窗机制及二阶段迁移学习后的CBMD训练模型,以中国人群数据集为测试集,其准确度从默认窗口下公开数据集训练模型的0.50提升至0.80,精度从0.54提升至0.82,灵敏度从0.52提升至0.80,F1值从0.52提升至0.80,AUC值从0.51提升至0.89。结论本研究引入滑动窗口调窗机制和二阶段迁移学习策略,显著提升了乳腺钼靶图像分类模型在中国人群数据集上的性能,初步达到适应中国人群的乳腺钼靶图像辅助分类的目的。
目的评估在个性化3D打印导板引导下,行经椎体内截骨术、脊柱内固定术治疗重度脊柱后凸手术的矫形率、椎弓根钉位准确性和治疗效果。方法本研究为单中心非随机性临床试验研究,样本涵盖2018年12月至2023年6月期间接受经椎体内截骨术的19例患者(男性8例,女性11例)。其中7例患者为导板组,采用计算机辅助设计(CAD)技术进行术前手术规划和术中个性化3D打印导板引导,12例患者为传统组,采用传统置钉矫正。术后评估包括后凸Cobb角、脊柱矫正率、钉位准确性和Oswestry功能障碍指数问卷调查(Oswestry Dysfunction Index,ODI)。结果研究纳入患者19例,平均年龄48.0岁。平均随访26.4(9~54个月)。所有患者均获得相对满意的矫正效果,导板组平均矫正率为96.83%,传统组为86.61%。导板组与传统组平均术中出血量(857 vs 1045 mL)和平均手术时间(344 vs 402 min)差异无统计学意义,平均住院时间(11 vs 18 d)差异具有统计学意义(P<0.05)。本研究共置钉278枚,其中导板辅助置钉70枚,97.1%为A级或B级;传统组置钉208枚,其中93.8%为A级或B级。术后CT/X线检查显示导板组与传统组后凸畸形矫正均达到一定程度矫正,2组的平均矫正角度(43.37°vs 36.10°)差异无统计学意义;而导板组的矫正率显著高于传统组(96.83%vs 86.61%,P<0.01);ODI评分导板组显著低于传统组(P<0.05)。结论在脊柱截骨术中,利用计算机辅助技术进行术前规划、手术模拟和个性化3D打印导板的辅助,能够改善术后矫形率,提高置钉的准确性,改善严重脊柱后凸畸形患者的生活质量。
目的建立辅助超声造影(contrast-enhanced ultrasound,CEUS)诊断早期肝肿瘤的机器学习模型,并探索其临床诊断效能。方法采用病例-对照研究设计方案,筛选2015年6月至2020年6月在陆军军医大学第一附属医院超声科行CEUS检查,有病理诊断结果且肝肿瘤直径≤30 mm患者的病例资料。最终490例患者共520个肿瘤[恶性肿瘤474个(91.15%),良性肿瘤46个(8.85%)]纳入研究,其中男性406例(82.86%),女性84例(17.14%);年龄22~82(51.98±0.46)岁。由4位超声科医师分析常规超声及CEUS影像特征,意见不一致时经讨论达成共识。将纳入病例资料按照近4∶1比例随机划分为训练集(n=400)和测试集(n=90)。采用支持向量机、随机森林、邻近算法和Logistic等4种模型分析患者常规超声及CEUS影像特征、慢性肝病史和肿瘤标志物。应用准确性、特异性、敏感性和受试者工作曲线下面积(area under the subject curve,AUC)等指标评价模型性能。结果4种模型中,随机森林模型性能最优,在测试集中的准确性、敏感性、特异性和AUC分别为0.97、0.83、0.71、0.987(95%CI:0.934~1.000),其中AUC与其他3种模型差异无统计学意义(均P>0.05)。随机森林模型中按照特征贡献度排名,前5名分别是:肝硬化、年龄、CEUS和常规超声中直径、延迟期增强方式,与以往研究中得出的临床诊断肝脏恶性肿瘤的指标一致,表明本研究建立的模型具有较好的可解释性。结论本研究建立了能联合分析患者CEUS特征、慢性肝病和肿瘤标志物的机器学习模型,在CEUS中诊断早期肝肿瘤的准确性较高。
暂无评论