论文部分内容阅读
第一部分:基于深度学习的纤维喉镜图像识别模型的构建与评估研究目的:本研究旨在构建一个基于深度学习的纤维喉镜图像识别模型,并将不同阶段的喉癌前病变、早期喉癌的纤维喉镜图像置于该模型中,对其诊断效能进行评估。研究方法:收集长海医院耳鼻喉科喉镜室留取的喉癌前病变及早期喉癌喉镜图像及正常喉镜图像共6515例。每例图像均有明确对应的病理结果。将图像分为训练集(轻中度不典型增生2550例,重度不典型增生1944例,早期喉癌1571例)和测试集(轻中度不典型增生、重度不典型增生、早期喉癌各150例)。对喉镜图像进行预处理,对训练集图像做真值标注。训练采用VGG-19、Res Net50和Inception-V3三种模型,将上述3种模型改造后对其进行模型训练与验证。完成模型构建后,用测试集图像对模型进行评估。研究结果:1.成功构建了3个基于深度学习的纤维喉镜图像识别模型。2.对喉鳞状上皮轻中度不典型增生诊断,Res Net-50模型的AUC为0.873(95%CI,0.774-0.971),VGG-19为0.862(95%CI,0.771-0.953),Inception-V3为0.819(95%CI,0.701-0.936)。对喉鳞状上皮重度不典型增生的诊断,Res Net-50模型的AUC为0.879(95%CI,0.794-0.964),VGG-19模型为0.841(95%CI,0.741-0.942),Inception-V3为0.794(95%CI,0.678-0.910)。对早期喉癌诊断,Res Net-50模型的AUC为0.857(95%CI,0.743-0.971),VGG-19模型为0.779(95%CI,0.648-0.911),Inception-V3为0.831(95%CI,0.706-0.956)。3.在最佳工作点,Res Net-50对三种疾病的诊断平均准确率、灵敏度、F1分数分别为86.22%、95.04%和87.62%,VGG-19分别为84%、95.32%和86.05%,Inception-V3分别为87.77%、93.07%和90.99%。研究结论:3个模型均体现出较好的诊断效能,其中基于Res Net-50神经网络构建的模型对不同程度的喉癌前病变和早期喉癌的诊断效能均为最高。当系统在最佳工作点运行时,Inception-V3模型的诊断准确率最高,系统稳健程度最好,但诊断灵敏度最差。VGG-19的诊断灵敏度最高,但诊断准确率和系统稳健程度较低。第二部分:基于深度学习的纤维喉镜图像识别模型在喉癌前病变诊断中的应用研究目的:本研究旨在探索基于深度学习的纤维喉镜图像识别模型在辅助临床医师进行喉癌前病变及早期喉癌诊断的应用价值。研究方法:征集我院耳鼻咽喉头颈外科临床医师16名,其中具有5年以上纤维喉镜操作及诊断经验的高年资医师8名,具有3年以下纤维喉镜操作及诊断经验的低年资医师8名。先收集纤维喉镜图像150张(轻中度不典型增生、重度不典型增生、早期喉癌图像各50张),并要求医师分别对每张图像做出诊断。将150张纤维喉镜照片投入纤维喉镜图像识别模型中诊断后,将包含模型诊断结果的图像提供给医师,要求医师再次对150张图像给出诊断。分别记录每名医师两次诊断结果,计算每名医师在模型辅助前后的诊断准确性,利用t检验分析数据。研究结果:在模型辅助前,8名具有5年以上纤维喉镜操作及诊断经验的高年资医师对轻中度不典型增生、重度不典型增生、早期喉癌的平均诊断准确率分别为81.75%、74.50%和86.50%,在模型辅助后,对三种疾病的平均诊断准确率分别为85.0%、81.0%和88.50%。在模型辅助前,8名具有3年以下纤维喉镜操作及诊断经验的低年资医师对三种疾病的平均诊断诊断准确率分别为75.25%、70.75%和84.25%,在模型辅助后,对三种疾病的平均诊断准确率分别为83.25%、78.75%和87.0%。研究结论:本研究构建的基于深度学习的纤维喉镜图像识别系统,对不同年资的医师诊断喉癌前病变及早期喉癌均有一定价值,可以一定程度提高临床医师对该类疾病的诊断效能。