CT图像中多器官占位性病变的计算机辅助检测模型的外部和内部验证

摘要

目的我们开发了一种在实验室测试中具有较佳表现的通用病变检测模型ULDor。本研究旨在通过外部数据集和内部数据集对其检测性能进行测试并评估其在临床上的应用价值。方法通过卷积神经网络(convolutional neural network,CNN)构建通用病变检测模型(ULDor)。该模型经过DeepLesion数据集和其他5个特定器官的公共数据集对模型进行训练,其中DeepLesion数据集包括12,000多组CT扫描图像及其中80,000多个病变注释。验证测试集包括外部和内部验证数据集。外部验证数据集由一家综合医院回顾性收集的164组胸部(含上腹部)CT平扫检查图像组成,内部验证数据集由来自美国国家肺筛查试验(NLST)的187组胸部低剂量螺旋CT扫描图像组成。我们运行ULDor对这两个测试集的图像进行病变检测,记录并测量模型所检测出的所有肺外器官(包括肝、肾、胰腺、甲状腺、淋巴结、体壁、胸椎,等)的占位性病变;另由三名经过资格认证的放射科医生对两个测试集进行人工阅片,以此为标准对ULDor的检测结果进行验证分析,采用阳性预测值和灵敏度来评价模型的检测性能。结果在外部验证中,模型对所有病变的整体阳性预测值和敏感性分别为57.9%和67.0%,平均每组图像检测出2.1个病变,其中0.9个是假阳性。ULDor检出肝脏病变的能力最佳,阳性预测值为78.9%,敏感性为92.7%,其次是肾脏,阳性预测值为70.0%,敏感性为58.3%。在内部验证中,尽管图像的软组织噪声水平较高,ULDor仍实现了75.3%的阳性预测值和52.0%的灵敏度。结论ULDor在外部真实数据的验证显示模型在多用途计算机辅助诊断方面对于某些器官占位病变具有较好的检测效能。通过进一步优化和迭代升级,ULDor或许可以很好地推广应用到外部数据。