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(RO...
Gespeichert in:
| Veröffentlicht in: | 中国防痨杂志 2024, Vol.46 (3), p.272-278 |
|---|---|
| Hauptverfasser: | , , , , , , , , , , |
| Format: | Artikel |
| Sprache: | chi |
| Online-Zugang: | Volltext |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| container_end_page | 278 |
|---|---|
| container_issue | 3 |
| container_start_page | 272 |
| container_title | 中国防痨杂志 |
| container_volume | 46 |
| creator | 秦李祎 吕平欣 郭琳 钱令军 肖谦 杨阳 尚园园 贾俊楠 初乃惠 刘远明 李卫民 |
| description | 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. |
| doi_str_mv | 10.19982/j.issn.1000-6621.20230457 |
| format | Article |
| fullrecord | <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_zgflzz202403004</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>zgflzz202403004</wanfj_id><sourcerecordid>zgflzz202403004</sourcerecordid><originalsourceid>FETCH-wanfang_journals_zgflzz2024030043</originalsourceid><addsrcrecordid>eNpjYFAyNNAztLS0MNLP0sssLs7TMzQwMNA1MzMy1DMyMDI2MDE1Z2HghAtyMPAWF2cmGRgYG5oaGRgacjL4Pp2_68muPueQp7P3PW3ufz6r5UXTrue7Jz9bsOP59Nbnjduebdr9rKXjede2Zw2NTzuWPF0369n2jU93LXu6dtmTnQuerVj4dF43UNfT3buer-7mYWBNS8wpTuWF0twM6m6uIc4euuWJeWmJeenxWfmlRXlAmfiq9LScqiqgG00MjA0MTIyJVwkAmPxi9A</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>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</title><source>Alma/SFX Local Collection</source><creator>秦李祎 ; 吕平欣 ; 郭琳 ; 钱令军 ; 肖谦 ; 杨阳 ; 尚园园 ; 贾俊楠 ; 初乃惠 ; 刘远明 ; 李卫民</creator><creatorcontrib>秦李祎 ; 吕平欣 ; 郭琳 ; 钱令军 ; 肖谦 ; 杨阳 ; 尚园园 ; 贾俊楠 ; 初乃惠 ; 刘远明 ; 李卫民</creatorcontrib><description>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.</description><identifier>ISSN: 1000-6621</identifier><identifier>DOI: 10.19982/j.issn.1000-6621.20230457</identifier><language>chi</language><publisher>首都医科大学附属北京友谊医院老年科,北京 100050%首都医科大学附属北京胸科医院结核一科,北京 101149</publisher><ispartof>中国防痨杂志, 2024, Vol.46 (3), p.272-278</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/zgflzz/zgflzz.jpg</thumbnail><link.rule.ids>314,776,780,4010,27900,27901,27902</link.rule.ids></links><search><creatorcontrib>秦李祎</creatorcontrib><creatorcontrib>吕平欣</creatorcontrib><creatorcontrib>郭琳</creatorcontrib><creatorcontrib>钱令军</creatorcontrib><creatorcontrib>肖谦</creatorcontrib><creatorcontrib>杨阳</creatorcontrib><creatorcontrib>尚园园</creatorcontrib><creatorcontrib>贾俊楠</creatorcontrib><creatorcontrib>初乃惠</creatorcontrib><creatorcontrib>刘远明</creatorcontrib><creatorcontrib>李卫民</creatorcontrib><title>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</title><title>中国防痨杂志</title><description>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.</description><issn>1000-6621</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2024</creationdate><recordtype>article</recordtype><recordid>eNpjYFAyNNAztLS0MNLP0sssLs7TMzQwMNA1MzMy1DMyMDI2MDE1Z2HghAtyMPAWF2cmGRgYG5oaGRgacjL4Pp2_68muPueQp7P3PW3ufz6r5UXTrue7Jz9bsOP59Nbnjduebdr9rKXjede2Zw2NTzuWPF0369n2jU93LXu6dtmTnQuerVj4dF43UNfT3buer-7mYWBNS8wpTuWF0twM6m6uIc4euuWJeWmJeenxWfmlRXlAmfiq9LScqiqgG00MjA0MTIyJVwkAmPxi9A</recordid><startdate>2024</startdate><enddate>2024</enddate><creator>秦李祎</creator><creator>吕平欣</creator><creator>郭琳</creator><creator>钱令军</creator><creator>肖谦</creator><creator>杨阳</creator><creator>尚园园</creator><creator>贾俊楠</creator><creator>初乃惠</creator><creator>刘远明</creator><creator>李卫民</creator><general>首都医科大学附属北京友谊医院老年科,北京 100050%首都医科大学附属北京胸科医院结核一科,北京 101149</general><general>首都医科大学附属北京胸科医院/国家结核病临床实验室/耐药结核病研究北京市重点实验室,北京 101149%北京老年医院影像科,北京 100095%深圳市智影医疗科技有限公司,深圳 518109%首都医科大学附属北京胸科医院影像科,北京 101149%首都医科大学附属北京胸科医院结核一科,北京 101149</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2024</creationdate><title>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</title><author>秦李祎 ; 吕平欣 ; 郭琳 ; 钱令军 ; 肖谦 ; 杨阳 ; 尚园园 ; 贾俊楠 ; 初乃惠 ; 刘远明 ; 李卫民</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_zgflzz2024030043</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2024</creationdate><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>秦李祎</creatorcontrib><creatorcontrib>吕平欣</creatorcontrib><creatorcontrib>郭琳</creatorcontrib><creatorcontrib>钱令军</creatorcontrib><creatorcontrib>肖谦</creatorcontrib><creatorcontrib>杨阳</creatorcontrib><creatorcontrib>尚园园</creatorcontrib><creatorcontrib>贾俊楠</creatorcontrib><creatorcontrib>初乃惠</creatorcontrib><creatorcontrib>刘远明</creatorcontrib><creatorcontrib>李卫民</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>中国防痨杂志</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>秦李祎</au><au>吕平欣</au><au>郭琳</au><au>钱令军</au><au>肖谦</au><au>杨阳</au><au>尚园园</au><au>贾俊楠</au><au>初乃惠</au><au>刘远明</au><au>李卫民</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>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</atitle><jtitle>中国防痨杂志</jtitle><date>2024</date><risdate>2024</risdate><volume>46</volume><issue>3</issue><spage>272</spage><epage>278</epage><pages>272-278</pages><issn>1000-6621</issn><abstract>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.</abstract><pub>首都医科大学附属北京友谊医院老年科,北京 100050%首都医科大学附属北京胸科医院结核一科,北京 101149</pub><doi>10.19982/j.issn.1000-6621.20230457</doi></addata></record> |
| fulltext | fulltext |
| identifier | ISSN: 1000-6621 |
| ispartof | 中国防痨杂志, 2024, Vol.46 (3), p.272-278 |
| issn | 1000-6621 |
| language | chi |
| recordid | cdi_wanfang_journals_zgflzz202403004 |
| source | Alma/SFX Local Collection |
| title | 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 |
| url | https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-02-16T08%3A21%3A17IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8ECT%E5%9B%BE%E5%83%8F%E7%9A%84%E8%82%BA%E7%BB%93%E6%A0%B8%E7%97%85%E7%81%B6%E6%B2%BB%E6%84%88%E7%8A%B6%E6%80%81%E5%88%A4%E5%AE%9A%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%A8%A1%E5%9E%8B%E7%9A%84%E5%BB%BA%E7%AB%8B&rft.jtitle=%E4%B8%AD%E5%9B%BD%E9%98%B2%E7%97%A8%E6%9D%82%E5%BF%97&rft.au=%E7%A7%A6%E6%9D%8E%E7%A5%8E&rft.date=2024&rft.volume=46&rft.issue=3&rft.spage=272&rft.epage=278&rft.pages=272-278&rft.issn=1000-6621&rft_id=info:doi/10.19982/j.issn.1000-6621.20230457&rft_dat=%3Cwanfang_jour%3Ezgflzz202403004%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=zgflzz202403004&rfr_iscdi=true |