林怀雄, 刘昌华, 陈思敏, 李亮, 杨林根, 林建坤, 丁雅霜, 李丽娜
目的 探讨基于深度学习的双源计算机断层扫描(DSCT)影像学模型对鉴别肺结节良恶性的价值。方法 回顾性分析2023-01至2025-01医院收治的140例肺结节患者临床资料,将DSCT影像标注出的215个肺结节作为研究对象,根据肺结节的良、恶性分为良性组(n=124)和恶性组(n=91)。另按照训练集与验证集7:3的比例,选取2025-02至2026-01收治的60例肺结节患者,将DSCT影像标注出的96个肺结节作为验证集。对肺结节患者的胸部DSCT图像,采用基于PyTorch的深度学习框架,构建3种卷积神经网络模型(ResNet50、DenseNet121、ShuffleNetV2),所有模型均采用在ImageNet数据集上预训练的权重进行迁移学习。通过受试者工作特征(ROC)曲线下面积(AUC)、敏感度、特异度、阳性预测值、约登指数综合评估模型的诊断效能,并在验证集中进行验证。在验证集中,采用Delong检验比较最优深度学习模型与3位不同年资的放射科医师的诊断效能。结果 训练集与验证集的肺结节恶性率分别为42.33%、41.67%。DenseNet121模型在训练集及验证集的AUC(0.940,95%CI=0.910~0.969;0.909,95%CI=0.847~0.971)均优于其他模型。DenseNet121模型的敏感度(81.30%;90.00%)、特异度(90.30%;76.80%)、阳性预测值(86.80%;91.50%)及约登指数(0.716;0.668)均较优,且具有良好的校准度和临床获益。DenseNet121模型的AUC显著高于低年资医师及中年资医师的AUC,差异均有统计学意义(Z=2.637,P=0.008;Z=2.130,P=0.033);DenseNet121模型与高年资医师的AUC差异无统计学意义(Z=1.296,P=0.195)。结论 基于深度学习的DSCT影像学模型在鉴别肺结节良恶性方面具有较高的诊断价值,有望成为辅助中低年资放射科医师诊断的有效工具。