尘肺胸片人工智能读片三种模型效能比较研究

作者：汪伟; 李宝平^*; 沈福海; 孙治平; 侯博文; 高丽妮; 阎聪侠

来源：环境与职业医学, 2022, 39(01): 41-46.

• 尘肺病
• 卷积神经网络
• 人工智能
• 深度学习

[背景]尘肺病的人工诊断受到多种因素的影响，容易出现漏诊误诊情况。人工智能在医学影像领域的发展十分迅速，考虑能否利用人工智能实现对尘肺病影像的读片。[目的]基于深度卷积神经网络的方法构建三种深度学习模型，进行尘肺病有无的诊断。评价三种模型诊断效能并进行对比，挑选出最优的模型。[方法]收集7家医院在2017年6月—2020年12月拍摄的数字X线摄影（DR）胸片并对胸片进行质量控制。收集的DR胸片中尘肺诊断阳性为阳性组，无尘肺胸片为阴性组。由通过阅片考核的专家对收集胸片进行标注，标注过程中不断进行基于最大期望算法的一致性考核。标注后的数据经数据清洗、数据归档、预处理后纳入训练集和验证集。构建TMNet、ResNet-50和ResNeXt-50三种深度卷积神经网络模型，采用十折交叉验证法对模型进行训练，得到最优的模型。收集未纳入训练集和验证集的500例DR胸片，经由5位资深专家共同鉴定作为金标准成为测试集。通过测试，得到三种模型的准确率、灵敏度、特异度、受试者工作特征曲线下面积（AUC）等指标，评价三种模型性能并进行对比。[结果]本研究共收集训练集与验证集DR胸片24 867张，其中阳性组6 978例，阴性组17 889例。收集胸片中肺部异常情况如气胸、肺结核等共有312例。共有9名专家对胸片进行了标注，尘肺异常（不分期）的标注一致性率均在88%以上，尘肺分期的标注一致性率从84.68%到93.66%不等。TMNet的诊断准确率为95.20%，灵敏度达到99.66%，特异度为88.61%,AUC值为0.987。Res Ne Xt的诊断准确率为87.00%，灵敏度达到89.93%，特异度为82.67%,AUC值为0.911。Res Net的诊断准确率为84.00%，灵敏度达到85.91%，特异度为81.19%,AUC值为0.912。TMNet模型的上述指标均高于Res Ne Xt-50和Res Net-50模型。TMNet与另外两个模型AUC差值的差异有统计学意义（P <0.001）。[结论]三种卷积神经网络模型均可有效诊断尘肺病的有无，其中TMNet的效能最好。

• 单位
  华北理工大学; 公共卫生学院