ZFNet模型在胶质瘤MRI诊断中的应用

研究背景胶质瘤疾病负担较重,尽早确诊和及时治疗可有效延长无进展生存期,临床实践中初诊疑似胶质瘤时首选头部MRI检查,人工阅片存在诊断结果不一致和阅片效率下降的缺陷,而通过深度学习算法进行医学影像识别与诊断成为可能.本研究采用人工神经网络相关机器学习算法,辅助影像科医师对胶质瘤患者头部MRI图像的人工阅片,以期改善人工阅片耗时、费力以及因主观判断导致阅片结果不同的缺陷.方法 纳入TCIA数据库中130例成年胶质瘤患者计40 036张头部MRI图像,随机分为训练集(28 025张)和测试集(12 011张),再根据医学专家的标注定义为“肿瘤影像”和“正常影像”,采用ZFNet模型进行图像识别与分类模型的建立,绘制训练集的强化学习曲线,观察训练准确度随训练步数变化的趋势.将测试集导入模型,计算ZFNet模型预测“肿瘤影像”的分类准确率、阳性预测值、灵敏度、特异度和F1值.同时进行AlexNet模型对比建模,与ZFNet模型结果进行比较.结果 ZFNet模型在训练38 757步后训练准确度稳定为99.7％,AlexNet模型则在训练37 984步后稳定为98.23％;将测试集导入ZFNet模型,ZFNet模型预测“肿瘤影像”的准确度为84.42％(10 140/12 011)、阳性预测值为80.77％ (4817/5964)、灵敏度为86.93％ (4817/5541)、特异度为82.27％ (5323/6470)、F1值为83.74％, AlexNet模型为80.74％(9698/12 011)、77.68％(4529/5830)、81.74％(4529/5541)、79.89％ (5169/6470)和79.66％,ZFNet模型在各个维度的分类性能均优于AlexNet模型,效果满意.结论 ZFNet模型在胶质瘤患者头部MRI图像分类预测方面的效果尚佳,可为建立胶质瘤影像学辅助诊断模型提供良好的技术支持.