论文部分内容阅读
目的
应用传统机器学习和深度学习方法建立计算机辅助诊断肝纤维化自动分类模型，并初步评估其效果。
方法选取2014年11月至2016年1月于复旦大学附属中山医院接受肝部分切除术和术前接受肝脏剪切波弹性成像检查的354例患者的灰阶超声图像和相应弹性图像，男247例、女107例，平均年龄（54±12）岁，以病理学诊断肝纤维化分级（S0~S4）为"金标准"，利用传统机器学习和深度学习的方法，对超声图像数据集进行特征提取和分类，建立肝纤维化自动分类模型，统计每种模型不同分类情景的准确率。
结果病理学检查显示肿块周边肝实质病理分期S0者73例，S1者40例，S2者49例，S3者41例，S4者151例。基于支持向量机分类器和稀疏表示分类器的传统机器分类模型和基于LeNet-5神经网络的深度学习分类模型，在二分类（S0/S1/S2与S3/S4）的准确率分别为89.8%、91.8%和90.7%；在三分类（S0/S1、S2/S3与S4）的准确率分别为75.3%、79.4%和82.8%；在三分类（S0、S1/S2/S3与S4）的准确率分别为79.3%、82.7%和87.2%。
结论计算机辅助诊断慢性乙肝患者肝纤维化进程准确性较高，且可以做到更细化的肝纤维化进程分类。未来有望应用于无创评估乙肝患者肝纤维化进程的临床工作中。