关键词:
乳腺肿瘤
辅助诊断
深度学习
动态增强磁共振成像
卷积神经网络
摘要:
目的探讨基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)图像深度学习模型鉴别诊断乳腺良恶性肿瘤的价值。材料与方法回顾性分析2018年9月至2022年12月厦门医学院附属第二医院病理学确诊303例乳腺肿瘤患者资料,良性144例,恶性159例。按7∶3的比例分层随机抽样患者,分成训练集212例、测试集91例。构建六个深度学习模型:50层深度残差网络(50-layer deep residual network,ResNet-50)、Inception-V3、Googlenet,密集连接的卷积网络(densely connected convolutional networks,DenseNet)-121、视觉几何组(visual geometry group,VGG)-19和移动神经网络(mobile neural network,MobileNet)-V3,同时应用梯度加权类激活映射(gradient-weighted class activation mapping,Grad-CAM)对模型进行可视化。最后通过第一、二轮阅片比较了深度学习模型、初级和高级放射科医师的诊断结果。通过受试者工作特征(receive operating characteristic,ROC)曲线、准确度、敏感度、特异度、阴性预测值(negative predictive value,NPV)及阳性预测值(positive predictive value,PPV)对不同深度学习模型及两轮阅片的诊断效能进行分析,计算各深度学习模型曲线下面积(area under the curve,AUC),使用DeLong检验对各模型间ROC曲线进行比较,使用配对卡方检验比较两轮阅片的诊断效能。结果训练集ResNet-50、Inception-V3、Googlenet、DenseNet-121、VGG-19和MobileNet-V3六种深度学习模型AUC分别为0.874[95%置信区间(confidence interval,CI):0.828~0.920]、0.771(95%CI:0.707~0.834)、0.993(95%CI:0.986~0.999)、0.926(95%CI:0.888~0.958)、0.947(95%CI:0.918~0.975)及0.945(95%CI:0.918~0.973)。测试集ResNet-50、Inception-V3、Googlenet、DenseNet-121、VGG-19和MobileNet-V3六种深度学习模型AUC分别为0.841(95%CI:0.755~0.927)、0.746(95%CI:0.641~0.851)、0.822(95%CI:0.736~0.909)、0.752(95%CI:0.650~0.855)、0.827(95%CI:0.737~0.918)及0.779(95%CI:0.685~0.874)。ResNet-50模型Grad-CAM可视化图像显示乳腺恶性肿瘤呈病灶中央激活,良性肿瘤呈周边激活。第一轮阅片,ResNet-50深度学习模型的准确度、特异度及敏感度分别为80.2%、86.7%及73.9%,初级医师的准确度、特异度及敏感度为73.6%、73.3%及73.9%,高级医师的准确度、特异度及敏感度为80.2%、80.0%及80.4%。第二轮阅片,在ResNet-50模型辅助下,初级医师准确度、特异度及敏感度增加15.4%、17.8%、13.1%(P<0.05),高级医师准确度、特异度及敏感度增加12.1%、13.3%、10.9%(P=0.001、0.031、0.063)。结论ResNet-50模型鉴别诊断良恶性乳腺肿瘤性能最佳,可视化图像可能成为影像诊断依据。借助该模型放射科医师鉴别诊断乳腺肿瘤良、恶性准确性明显提高,为临床决策提供客观依据。