文摘目的 开发基于深度卷积神经网络的肺结核病灶检测模型,并评估其在肺结核大规模人群筛查及临床检测中的应用价值。方法 回顾性收集2019年3月至2020年7月于喀什地区第一人民医院影像中心就诊的1217例患者的影像数据,随机分为3个数据集,以7∶2∶1的比例在改进的RetinaNet肺结核病灶检测模型上进行训练、验证和测试,并收集两个肺结核公开数据集数据共800例,用于模型的外部验证。检测模型通过构造针对小病灶敏感的损失函数,引入注意力机制和多尺度特征提取等技巧,优化对微小病灶和隐匿性病灶的检出率。结果 改进的RetinaNet模型仅在测试集的曲线下面积(Area Under the Cure,AUC)略低于原始RetinaNet模型,其他数据集的AUC和准确度均高于原始RetinaNet模型。同时改进的RetinaNet模型在外部中心的公开数据集进行模型评价时,诊断性能较测试集和验证集表现更好(AUC为0.879,准确度为0.847)。放射科医生在人工智能(Artificial Intelligence,AI)系统辅助下对肺结核病进行诊断时的灵敏度、特异性、准确度较无AI系统辅助的诊断水平均有明显提升。在有AI系统辅助下放射科医生对于病例的影像数据进行阅片时间显著短于无AI系统辅助时(P<0.001)。结论 深度学习能用于快速检测和定位胸片中的肺结核病灶,并给出相应的置信指数和病灶位置信息,可大批量筛查肺结核高风险人群,大幅度地提高医疗资源匮乏地区放射科医生的工作效率和肺结核诊断的准确度。
