基于肺区CT图像最大密度投影与深度卷积网络的慢阻肺识别模型的构建及意义

作者：吴雅楠; 齐守良^*; 庞浩文; 李梦琪; 王盈熹; 夏书月; 王琪

来源：中华健康管理学杂志, 2022, 16(07): 457-463.

DOI：10.3760/cma.j.cn115624-20220403-00245

• 肺疾病, 慢性阻塞性
• 神经网络(计算机)
• 体层摄影扫描仪, X线计算机
• 最大密度投影
• 早期诊断

目的基于肺区CT图像最大密度投影(MIP)与深度卷积神经网络(CNN)构建慢性阻塞性肺疾病(慢阻肺)识别模型, 并探讨其意义。方法选取2010年1月—2021年5月就诊于大连医科大学附属第二医院的符合入组标准的研究对象共201例, 其中慢阻肺组101例, 健康对照组100例。研究对象均进行胸部薄层CT图像扫描及肺功能测试。首先, 获取所有CT图像序列肺区的MIP图像;其次, 以MIP图像为输入, 基于改进的残差网络(ResNet)构建慢阻肺识别模型;最后, 考察不同层数的ResNet模型对性能的影响。应用准确率、灵敏度、特异度、阳性预测值、阴性预测值、受试者工作特征(ROC)曲线及其下面积(AUC)评估网络的识别效能。结果 ResNet26的慢阻肺识别准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为76.1%、76.2%、76.0%、76.2%、76.0%, AUC为0.855(95%CI:0.799～0.901);ResNet50的慢阻肺识别准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为77.6%、76.2%、79.0%、78.6%、76.7%, AUC为0.854(95%CI:0.797～0.900);ResNet26d的慢阻肺识别准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为82.1%、83.2%、81.0%、81.6%、82.7%, AUC为0.885(95%CI:0.830～0.926)。结论本研究成功构建的基于肺区CT图像MIP与深度CNN的慢阻肺识别模型, 可实现准确的慢阻肺识别, 为慢阻肺早期筛查提供了一种有效工具。

• 单位
  大连医科大学附属第二医院; 东北大学; 大连医科大学; 沈阳医学院附属中心医院