基于卷积神经网络和注意力机制的深度学习非小细胞肺癌计算机辅助诊断模型
刘治超1
许志文2
赵赛3
张又新1
聂聪1
雷子乔1
1.华中科技大学同济医学院附属协和医院放射科,武汉 430022;湖北省精准智能放射诊断与介入治疗临床医学研究中心,武汉 430022;分子影像湖北省重点实验室,武汉 4300222.重庆大学大数据与软件工程学院,重庆 4000443.河北大学附属医院放射科,河北 保定 071000
摘要：目的:构建基于卷积神经网络(CNN)和注意力机制的改进CNN模型(ISANET),评估模型的性能,并与传统CNN模型进行比较.方法:收集经手术病理证实的肺鳞癌(LUSC)或肺腺癌(LUAD)患者 60例以及肺部正常患者 30例的肺部CT平扫或增强图像共 619张,组成Dataset A;收集公共数据集图像共 737张,组成Dataset B.两数据集均按 6∶4随机分为训练集和测试集.构建ISANET模型并进行训练和验证,然后记录查准率、召回率,并计算出F1分数,用以评价ISANAT模型的效能;最后,将ISANET模型与传统CNN模型AlexNet、VGG 16、Inception V3、Mobilenet V2及ResNet 18进行对比,绘制P-R(P-R)曲线,计算出P-R曲线下面积,评估不同模型对肺鳞癌和肺腺癌的鉴别效能.结果:相较于传统CNN模型,ISANET模型对非小细胞肺癌分类的准确度明显提高,在Dataset A和Dataset B中分别为 99.6%和 95.2%.结论:ISANET模型较好地实现对肺鳞癌和肺腺癌的无创预测,提高了肺鳞癌和肺腺癌CT影像鉴别的准确度,能够帮助诊断医师对非小细胞肺癌进行快速准确的分类.
关键词：卷积神经网络注意力机制计算机辅助诊断非小细胞肺癌
分类号：TP18(自动化基础理论)R814(放射医学)
资助基金：北京医学奖励基金(YXJL-2024-0350-0096)
论文发表日期：2026-03-31
在线出版日期：2026-04-02（本平台首次上网日期，不代表文献的发表时间）
页数：9( 364-372 )
英文信息