点击蓝字
关注我们
文章来源：中国防痨杂志. 2024, 46(10): 1236-1242.
doi:10.19982/j.issn.1000-6621.20240263
基金项目：上海市加强公共卫生体系建设三年行动计划 (2023—2025) 重点学科项目 (GWVI-11.1-05)
作者：李文婷, 王丽, 方勇, 顾瑾, 沙巍
作者单位：同济大学附属上海市肺科医院结核病临床研究中心，上海 200433
通信作者：沙巍，Email:shfksw@126.com
目的：基于胸部CT影像，采用多种深度学习网络构建肺结核与非结核分枝杆菌肺病的二分类模型，并评估这些模型在两种疾病间的鉴别诊断效能。
方法：对2019年10月至2022年12月在同济大学附属上海市肺科医院结核科确诊为肺结核和非结核分枝杆菌肺病患者的胸部CT图像进行回顾性分析。纳入研究的数据被分为肺结核组 (197例) 和非结核分枝杆菌肺病组 (212例)。将数据集的80%分配至训练集，20%分配至测试集。采用深度学习网络 (ResNeXt、ResNet、Transformer、SENet、ShuffleNet、Swin-transformer和DenseNet算法) 构建二分类模型。采用受试者工作特征 (ROC) 曲线下面积 (AUC)、准确率、敏感度和特异度评价模型的分类性能。在测试集中，将最优人工智能模型与3位不同年资的呼吸科 (结核亚专业) 医生的诊断性能进行比较。
结果：ResNeXt模型、ResNet模型、Transformer模型、SENet模型、ShuffleNet模型、Swin-transformer模型、DenseNet模型在训练集中的AUC值分别为0.894、0.839、0.864、0.816、0.841、0.831、0.829；在测试集中的AUC值分别为0.826、0.816、0.817、0.811、0.784、0.771、0.735。在测试集中，最优模型ResNeXt的诊断性能 (AUC值为0.826) 高于中年资医生 (AUC值为0.679) 和低年资医生 (AUC值为0.663)，差异均有统计学意义 (Z值分别为2.035和2.242，P值均<0.05)。
结论：基于胸部CT影像的深度学习模型是一种快捷简便的无创诊断工具，在鉴别肺结核和非结核分枝杆菌肺病方面展现出了理想的诊断性能。
关键词: 分枝杆菌感染；人工智能；体层摄影术， X线计算机；诊断，鉴别
参考文献略
注：除非特别声明，本公众号刊登的所有文章不代表《中国防痨杂志》期刊社观点。
编辑：孟 莉
审校：范永德
发布日期：2024-10-15
关注我们
《中国防痨杂志》期刊社
