简介:摘要目的探讨基于深度学习的人工智能(AI)模型在乳腺超声影像报告和数据系统(BI-RADS-US)乳腺结节分类中的应用价值。方法收集2006年12月至2019年12月就诊于首都医科大学附属北京同仁医院的1 558例女性乳腺疾病患者的2 426枚乳腺结节超声图像,将图像数据集分为训练集(63%)、验证集(7%)和测试集(30%),用于建立AI模型。采用受试者工作特征(ROC)曲线分析AI模型、医师仲裁结果以及AI模型辅助前后医师的诊断效能;采用Cohen加权Kappa系数比较AI模型辅助前后5名超声医师间BI-RADS-US分类的一致性;统计分析每名医师AI模型辅助前后两次BI-RADS-US分类结果的变化。结果AI模型与医师仲裁分类结果以及AI模型辅助前后医师的诊断效能差异均无统计学意义(均P>0.05);5名医师间一致性提高,AI模型辅助前后Kappa系数分别为3类0.433、0.812,4a类0.600、0.704,4b类0.614、0.823,4c类0.570、0.690,5类0.495、0.509(均P<0.05);AI模型辅助分类后,5名医师乳腺结节BI-RADS-US分类均发生了升降变化,其中良性结节由4类降为3类最多(56.6%,43/76);恶性结节由4类升为5类最多(69.4%,34/49)。结论AI模型辅助超声医师进行BI-RADS-US分类可有效提高医师之间分类的一致性且不降低诊断效能;AI模型通过调整结节分类,在减少部分良性结节不必要的穿刺、提高部分恶性结节诊断准确性等方面具有临床应用价值。
简介:摘要目的比较基于深度学习的AiContour®©与图谱库的Raystation®©两种自动勾画方法对放射治疗中直肠癌患者CT图像的危及器官勾画效果,为临床应用提供依据。方法选取浙江省人民医院2020年1-6月治疗的直肠癌患者50例,资深放疗医生勾画好的直肠癌患者20例的CT图像作为目标图像,分别基于两种软件的数据模板库对其进行自动勾画。采用豪斯多夫距离指数(HD指数)、平均距离指数(MDA指数)、形状相似性指数(DSC指数)、贾卡德指数(JC指数)四种指标定量评估两种自动勾画方法获得的危及器官轮廓体积的精确性。结果两种勾画方法除左股骨头[(6.81±2.66)与(7.24±2.10)]、右股骨头[(7.38±3.91)与(8.14±3.71)]、骨盆[(24.00±9.01)与(24.66±9.67)]的HD指数差异无统计学意义(t左股骨头=-0.831,t右股骨头=-0.821,t骨盆=-0.357,均P>0.05)外,其他危及器官的勾画参数差异均有统计学意义(均P<0.05)。AiContour®©自动勾画的DSC指数的均值均>0.7,而Raystation®©自动勾画的DSC值除了左肾、右肾、直肠、膀胱DSC值<0.7,其他危及器官DSC值均>0.7。此外,AiContour®©软件勾画出来的HD、MDA、JC值普遍优于Raystation®©勾画的结果。结论两种自动勾画软件勾画的危及器官经过略微修改均能满足临床使用,但是AiContour®©勾画效果要优于 Raystation®©勾画的效果。
简介:摘要目的建立预测不同病理进展期乳腺导管原位癌(DCIS)预后的模型,并评估其效能。方法回顾性分析2014年11月至2020年12月深圳市人民医院、北京大学深圳医院、深圳市罗湖区人民医院接受乳腺X线摄影检查的273例不同进展期乳腺DCIS患者的完整病例资料。患者均为女性,年龄26~86(49±11)岁。其中110例纳入单纯DCIS+乳腺导管原位癌伴微浸润(DCIS-MI)组,163例纳入浸润性导管癌伴导管原位癌(IDC-DCIS)组,对患者临床、影像及病理特征进行分析。影像特征提取采用乳腺Mammo AI融合模型及基于深度学习的自然语言处理(NLP)技术的诊断报告结构化模型。对各组患者按照6∶4比例通过Python软件随机分为训练集和验证集,以单因素分析和多因素logistic回归分析筛选预测因子,选择赤池信息量准则值最小者构建预测模型。绘制受试者操作特征曲线评估预测模型效能。结果单纯DCIS+DCIS-MI组以雌激素受体(-)或人表皮生长因子受体2(3+)为预后不良参考标准,预后不良62例,预后良好48例;IDC-DCIS组以诺丁汉预后指数为参考标准,预后不良33例,预后中等73例,预后良好57例。单纯DCIS+DCIS-MI组中,DCIS核分级、乳腺X线摄影可疑形态钙化、DCIS病理亚型、伴微浸润共4个预测因子被用于建立模型;IDC-DCIS组中,神经/脉管侵犯、Ki67水平、DCIS分子亚型、DCIS成分占比、乳腺X线摄影伴随征象共5个预测因子被用于建立模型。训练集中模型预测单纯DCIS+DCIS-MI预后不良的曲线下面积(AUC)为0.92(95%CI 0.84~1.00),验证集中为0.90(95%CI 0.82~0.99);训练集中模型预测IDC-DCIS预后不良的AUC为0.84(95%CI 0.76~0.93),验证集为0.78(95%CI 0.64~0.91)。结论基于深度学习联合NLP所建立的模型能有效预测不同病理进展期DCIS预后状态,有利于DCIS风险分层,为临床决策提供参考。
简介:摘要信息化时代,传统的档案管理受到了前所未有的冲击。企业档案工作正在发生前所未有的变革。企业档案工作的内容由单纯的档案实体管理正在走向档案信息资源管理。如何最大程度地开发企业档案信息资源,为企业乃至国家创造最大的价值,成为很多企业特别是国有大中型企业的一个重要课题。笔者认为对企业的档案资料应该进行多渠道征集、多层次开发。