目的利用DesNet201、GoogLeNet(Inception-v3)和ResNet-101三种卷积神经网络建立能准确识别肾上腺腺瘤和皮质增生的诊断模型,探讨其临床应用价值。方法回顾性搜集144例原发性醛固酮增多症(PA)患者计算机断层扫描(CT)扫影像资料,其中肾...目的利用DesNet201、GoogLeNet(Inception-v3)和ResNet-101三种卷积神经网络建立能准确识别肾上腺腺瘤和皮质增生的诊断模型,探讨其临床应用价值。方法回顾性搜集144例原发性醛固酮增多症(PA)患者计算机断层扫描(CT)扫影像资料,其中肾上腺腺瘤患者106例,皮质增生患者38例。以7∶3的比例将患者随机分为训练集和测试集。采用最大相关性最小冗余(MRMR)和最小绝对收缩和选择算子(LASSO)回归两种特征选择方法,剔除冗余和不相关的特征,选择优化的特征子集构建影像组学模型。根据模型间的分类参数评估出性能最佳的模型。结果ResNet101模型的评估指标表现最好,其准确率为84.4%,灵敏度为95.7%,特异度为32.5%,曲线下面积(area under the curve,AUC)0.75。结论ResNet101模型对于识别肾上腺腺瘤和皮质增生有良好的性能,有助于PA患者术前明确诊断。展开更多
文摘目的利用DesNet201、GoogLeNet(Inception-v3)和ResNet-101三种卷积神经网络建立能准确识别肾上腺腺瘤和皮质增生的诊断模型,探讨其临床应用价值。方法回顾性搜集144例原发性醛固酮增多症(PA)患者计算机断层扫描(CT)扫影像资料,其中肾上腺腺瘤患者106例,皮质增生患者38例。以7∶3的比例将患者随机分为训练集和测试集。采用最大相关性最小冗余(MRMR)和最小绝对收缩和选择算子(LASSO)回归两种特征选择方法,剔除冗余和不相关的特征,选择优化的特征子集构建影像组学模型。根据模型间的分类参数评估出性能最佳的模型。结果ResNet101模型的评估指标表现最好,其准确率为84.4%,灵敏度为95.7%,特异度为32.5%,曲线下面积(area under the curve,AUC)0.75。结论ResNet101模型对于识别肾上腺腺瘤和皮质增生有良好的性能,有助于PA患者术前明确诊断。
