基于CT影像组学和深度学习的矽肺病分期预测研究.pdfVIP

宁波大学专业硕士学位论文

基于CT影像组学和深度学习的矽肺病分期预测研究

摘要

目的：影像分期是矽肺病病情评估的主要指标，明确矽肺病分期有助于及时采取

控制病情进展的措施以及针对性的治疗方法，具有显著的临床价值；而目前的矽肺病

分期诊断程序繁琐且诊断结果一致性较差。本研究构建基于胸部计算机断层扫描(Comp

utedtomographyCT)

，图像的深度学习模型和影像组学模型来预测矽肺病分期，旨在通

过应用人工智能辅助诊断系统辅助医生使用胸部CT图像进行矽肺病分期诊断，更为客

观地衡量诊断一致性并提高诊断准确率。

方法：回顾性收集2016年1月至2020年12月具有明确矽尘接触史且于宁波市第

二医院进行职业病诊断的共245例无矽肺及矽肺病患者的基本临床信息及胸部CT图像，

其中零期（无矽肺）、壹期矽肺病、贰期矽肺病和叁期矽肺病分别有104例、77例、3

0例和24例。本研究第一部分为构建传统影像组学模型，首先使用3D-slicer软件在胸

部CT图像上进行半自动逐层勾画感兴趣体积(Volumeofinterest,VOI)；将图像标准

化及灰度归一化预处理后提取影像组学特征。然后按照7∶3比例将样本随机抽样划分

为训练组（171例）和验证组（74例），依次利用单因素分析及多因素分析进行特征

筛选，采用多元逻辑回归构建传统影像组学模型。本研究第二部分构建深度学习模型，

我们采用不确定性导向的图注意网络(Uncertainty-guidedgraphattentionnetwork,UG-

GAT)41

方法构建深度学习模型，以分割的全肺区域图像作为输入图像，按：的比例

随机分为训练组（196例）和验证组（49例），经过预处理后将CT图像以切片形式上

传图像；首先训练深度学习残差网络(ResNet)作为特征提取器提取切片特征并获得对应

的不确定性，然后采用图注意力网络(Graphattentionnetwork,GAT)作为分类器进行训

练并构建预测模型。我们通过绘制受试者工作特征曲线(Receiveroperatingcharacteristi

ccurve,ROC)和混淆矩阵图分析模型的分类性能，并计算出曲线下面积(Areaundercu

rve,AUC)值、准确率、敏感性、特异性、F1值等来进一步评估模型预测效能。

结果：将零期、壹期、贰期与叁期矽肺病患者的性别、年龄和工龄差异作对比，

P0.05

在四组间均无显著差异（＞）。采用多元逻辑回归构建的传统影像组学模型在验

证集鉴别零到叁期矽肺病的AUC分别为0.86、0.84、0.81、0.95，在训练集和验证集

73.6%74.7%UG-GAT

的整体准确率分别为和；采用方法构建的深度学习模型在验证

集诊断零到叁期矽肺病的AUC分别为0.973、0.954、0.885、0.959，在训练集和验证

I

基于CT影像组学和深度学习的矽肺病分期预测研究

集的整体准确率分别为95.0%和91.0%，整体精确度分别为91.0%和85.0%。两种模型

均能较为准确地完成零期及不同期别矽肺病图像的分类，其中深度学习模型的诊断效

能更佳。另外结果表明两种预测模型均对零期和叁期矽肺病的分类效果较好，而对贰

期矽肺病的分类准确性还有待进一步优化。

结论：本研究基于胸部CT图像，分别采用影像组学及深度学习方法构建的矽肺病

分期预测模型能够较准确地对正常及不同期别的矽肺病进行四分类，展现了良好的应

用前景，有望成为医生的辅助诊断工具，以实现矽肺病的精准分期，更好地指导患者

的个体化治疗。

关键词：矽肺病，分期，影像组学，深度学习，人工智能

II