基于CT图像的肺结核病灶治愈状态判定深度学习模型的建立

R521%R81; 目的:基于CT影像构建深度学习模型判定肺结核病灶的活动性.方法:回顾性纳入2018年12月至2020年12月首都医科大学附属北京胸科医院就诊的具有治疗前、中和后时间点的CT影像资料的肺结核治愈患者(102例),按照8∶2的比例将病灶随机分为训练集和测试集.另外,于2021年10月至2022年12月在同一家医院前瞻性纳入肺结核治愈患者(72例),在治疗前、中和后时间点纳入CT资料作为独立验证集.通过迁移学习方式进行深度学习模型构建;采用掩膜区域卷积神经网络(Mask R-CNN)架构实现病灶自动分割及活动性判定.基于三维病灶标签进行模型训练,通过计算测试集受试者工作特性(ROC)曲线下面积(AUC)、敏感度、特异度,并与独立验证集比较,评估模型对肺结核病灶活动性的判定效能.结果:回顾性队列共纳入符合标准的肺结核治愈患者102例,共收集到770份CT影像资料;332个病灶为活动性,464个病灶为非活动性.前瞻性队列纳入肺结核治愈患者72例,共收集到540份CT影像资料.基于迁移学习的Mask R-CNN深度学习模型计算,测试集的AUC为87.5％,敏感度为85.7％,特异度为78.6％;独立验证集的AUC为79.9％,敏感度为78.7％,特异度为75.0％o结论:基于迁移学习的Mask R-CNN深度学习模型在小样本量肺结核病灶活动性预测中展现出一定潜力,可以为快速、自动的临床决策提供科学参考.