CT人工智能模型对急性阑尾炎分类的多中心研究
左宗叶1
张琪2
黄国权3
杨光2
张林杰4
章婷婷5
胡宪林6
杨兰英1
1.蚌埠医科大学研究生院,蚌埠 233000;芜湖市第二人民医院医学影像科2.华东师范大学上海市磁共振重点实验室3.南京大学医学院附属南京国际医院医学影像科4.芜湖市第二人民医院医学影像科5.安徽医科大学第一附属医院放射科6.芜湖市第一人民医院放射科
摘要：目的 探讨基于常规腹部CT平扫影像的深度学习模型对急性单纯性和急性非单纯性阑尾炎的诊断效能,并评估其临床应用价值.方法 回顾性收集3所医院经手术病理证实的336例急性阑尾炎病人的临床及CT平扫影像资料,根据病理结果将病人分为急性单纯性阑尾炎109例和急性非单纯性阑尾炎227例.按8∶2的比例随机将病人分为训练集(268例)和独立测试集(68例),并采用5折交叉验证方法将训练集进一步分为训练子集(214例)和验证子集(54例).基于密集连接卷积网络121(Densenet 121)构建模型,并进行训练和测试.绘制受试者操作特征(ROC)曲线、精确度-召回率(PR)曲线和混淆矩阵来评估模型的诊断效能,并分别计算其曲线下面积(AUC、PR-AUC)等.结果 Densenet 121深度学习模型在训练子集、验证子集、独立测试集中对急性单纯性阑尾炎和急性非单纯性阑尾炎分类的诊断效能俱佳,模型的AUC分别为0.999、0.895、0.894,PR-AUC分别为0.999、0.831、0.813.混淆矩阵显示,模型在3个数据集中对急性单纯性和非单纯性阑尾炎均具有较高的预测准确性,分类效果良好.结论 基于神经网络的深度学习模型在急性阑尾炎CT分类诊断中具有良好的稳定性和诊断效能,可为临床医生决策提供参考依据.
关键词：急性阑尾炎体层摄影术X线计算机深度学习人工智能计算机辅助诊断
分类号：R814.42(放射医学)R816.5(放射医学)
资助基金：芜湖市卫生健康委科研项目(WHWJ2023y040)
论文发表日期：2025-01-14
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 36-41 )
英文信息