科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 本研究旨在构建并验证基于T2加权成像（T2-weighted imaging, T2WI）的50层深度残差网络（50-layer deep residualnetwork,ResNet-50）深度学习（deeplearning,DL）模型术前预测膀胱癌（bladder cancer, BCa）病理分级的效能。材料与方法 回顾性分析来自南方医科大学第十附属医院（中心1）和中山大学肿瘤防治中心（中心2）共169名BCa患者的211个肿瘤病灶数据。以病理组织学诊断作为金标准，以肿瘤病灶为单位进行分析，其中高级别尿路上皮癌（high grade urothelial carcinoma, HGUC）为111个，低级别尿路上皮癌（low grade urothelial carcinoma, LGUC）为100个。采用DL模型的ResNet-50方法，基于中心1内部训练集构建模型，所得出的模型在中心1的内部测试集中测试后筛选出最优模型，随后在中心2的外部测试集上进行独立验证。采用受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the curve, AUC）、准确率、敏感度和特异度对模型性能进行评估，并进行特征可视化展示。结果 DL模型在内部测试集的AUC为0.856(95%CI:0.723～0.941)，准确率为80.9%(95%CI:69.6%～92.1%)，敏感度为77.8%(95%CI:65.9%～89.7%)，特异度为82.8%(95%CI:72.0%～93.6%)；在外部测试集的AUC为0.814 (95%CI:0.686～0.906)，准确率为78.2%(95%CI:67.3%～89.1%)，敏感度为77.3%(95%CI:66.2%～88.3%)，特异度为81.8%(95%CI:71.6%～92.0%)。特征可视化结果显示DL模型较高激活区域与BCa病灶基本重叠，可正确识别BCa靶区域，同时对HGUC与LGUC的特征有一定区分度。结论 本研究首次采用DL方法在术前建立基于T2WI的BCa病理分级预测模型，并在双中心进行验证。该模型无创、客观，泛化性及可重复性强，具有较高的预测准确性，有助于临床术前更精准地诊断。
- 单位
