机器学习辅助诊断肺间质纤维化的研究OA

目的:构建基于机器学习、数字图像处理技术的计算机辅助诊断系统,研究高分辨率计算机断层扫描(HRCT)技术对肺间质纤维化早筛中的应用效果.方法:选取在医院呼吸内科就诊的131例患者资料数据作为样本,按照7:3比例将其分为训练组(91例)和测试组(40例).基于尺度不变特征转换(SIFT)图像特征实现肺实质组织分割;采用图像配准方法将肺实质组织划分区域;应用深度学习图像检测算法检测CT图像中蜂窝影、网格影、磨玻璃影及组织增厚等诊断特征;基于CT影像检测特征结合患者问诊信息形成特发性肺纤维化(IPF)辅助诊断决策;最后与临床低年资实习医生诊断测试的准确率、测试速度、召回率、受试者工作特征曲线下面积(AUC)等结果进行对比.结果:经功能及性能测试,深度学习图像检测算法可实现CT图像预处理、CT图像肺部区域配准、CT图像中肺实质分割、蜂窝影、网格影和磨玻璃影(GGO)检测、组织增厚区域检测以及辅助诊断等功能,计算机辅助诊断方法诊断准确率可达到90.00％,与低年资实习医生比较,诊断准确率差异无统计学意义;采用机器学习辅助诊断时间平均为26.2 s,诊断时间较之放射科低年资实习医生缩短41.39％.结论:机器学习的计算机辅助诊断方法在诊断准确度方面接近放射科低年资实习医生水平,提高了图像分析效率,降低医生的工作量,未来将有助于提高IPF早期筛查效率及临床应用范围,对临床治疗具有参考意义和研究价值.