基于密度分布特征的深度神经网络模型诊断COVID-19的价值

摘要

目的:评价基于密度分布特征(CDD)的深度神经网络(DNN)模型对新型冠状病毒肺炎(COVID-19)的诊断价值。方法:收集42例COVID-19病例和43例非COVID-19肺炎病例。将所有患者的211份胸部CT图像分为训练集(n=128)和验证集(n=83)。参考北美放射学会发布的COVID-19相关性肺炎的CT结构化报告,构建基于CT影像特征的DNN模型(DNN-CTIF)。根据胸部CT图像上肺炎CDD建立DNN-CDD模型。采用ROC曲线分析和决策曲线分析对两种模型进行评价。结果:DNN-CTIF模型的AUC在训练集为0.927,在验证集为0.829。DNN-CDD模型的AUC在训练集为0.965,在验证集为0.929。DNN-CDD模型在验证集的AUC高于DNN-CTIF模型(P=0.047)。决策曲线分析表明在0.04~1.00概率阈值范围内,DNN-CDD模型相比DNN-CTIF模型使患者的净获益更高。结论:DNN-CTIF和DNN-CDD模型对COVID-19均具有较好的诊断性能,其中DNN-CDD模型优于DNN-CTIF模型。