利用三维多任务网络确定毛玻璃结节的侵袭性( Determining the invasiveness of ground-glass nodules using a 3D multi-task network )

Y Yu N Wang N Huang X Liu J Cheng

目的：利用三维多任务深度学习网络来判断毛玻璃结节的侵袭性。方法提出一种基于三维多任务学习的毛玻璃结节侵袭性判断体系结构。总共有770名909个GGNs的患者接受了肺部CT扫描。将患者分为训练组(n=626)和测试组(n=144)。在测试集中，利用深度学习将侵袭性分为三类：非典型腺瘤增生(AAH)和原位腺癌(AIS)、微创腺癌(MIA)和侵袭性肺腺癌(IA)。结果在三分类任务中，敏感性、特异性和准确性分别为65.41%、82.21%和64.9%。在二元分类任务中，敏感性、特异性、准确性和ROC曲线下面积(AUC)值分别为69.57%、95.24%、87.42%和0.89。在两位胸科医师对GGN侵袭性的目视评价中，高、低级医师的敏感性、特异性和准确性分别为58.93%、90.51%和81.35%、76.79%、55.47%和61.66%。结论提出的多任务深度学习模型在判断GGN侵袭性方面取得了良好的分类效果。该模型可以帮助选择需要手术治疗的侵袭性病变患者和合适的手术方法。关键点提出的多任务模型对GGNS的侵袭性分类取得了良好的效果。该网络包括一个分类和分割分支，分别学习全局和区域特征。多任务模式可以帮助医生选择需要手术的侵袭性病变患者和选择合适的手术方式。

SciDown文献求助系统（解决99%问题） Public Download Springer NCBI ResearchGate