基于CT图像的深度学习算法在诊断结直肠癌同时性腹膜转移中的应用价值

摘要

目的对结直肠癌同时性腹膜转移患者进行精准诊断和分期依旧困难。本研究旨在利用人工智能的ResNet-3D算法构建一种矢量向量模型（SVM）分类器, 来预测结直肠癌同时性腹膜转移。方法由放射科医生按原始格式, 回顾性提取2017年1月至2018年5月期间, 在中山大学附属第六医院经病理确诊的同时性腹膜转移或无腹膜转移的结直肠癌患者术前增强CT图像;从专业随访人员维护的结直肠癌数据库中, 收集相应患者的临床病理参数和生存期资料。排除术后异时性腹膜转移、或肿瘤复发的患者以及无法获得增强CT扫描原始图像者。应用ITK-SNAP软件在结直肠癌同时性腹膜转移患者的术前增强CT扫描图像中勾画原发肿瘤, 提取肿瘤邻近腹膜的特征, 建立一种ResNet-3D+SVM分类器。再利用测试集对ResNet-3D+SVM分类器的效能进行评估, 并与放射科医生常规CT的诊断水平进行对比。结果同时性结直肠癌腹膜转移患者74例和同期无腹膜转移的96例患者共计170例入组, 被随机分为训练组（腹膜转移54例, 非腹膜转移76例）和测试组（腹膜转移和非腹膜转移各20例）。通过深度学习构建的ResNet-3D算法只用了34 s就分析完了所有40例测试组患者的7 837张测试图像。为了提高该模型对腹膜转移的诊断准确性, 将ResNet-3D的人工智能（AI）模型与12个腹膜腹膜转移特征相结合, 构建了SVM分类器（均P＆0.05）。该分类器的腹膜转移诊断准确率为94.11%, 曲线下面积（AUC）为0.922（0.912～0.944）, 灵敏度为93.75%, 特异度为94.44%, 阳性预测值为93.75%, 阴性预测值为94.44%。其诊断能力明显优于常规增强CT（AUC:0.791）。结论基于深度学习算法构建的ResNet-3D+SVM分类器, 在诊断结直肠癌同时性腹膜转移中显示出很大的潜能。