论文部分内容阅读
近年来,肺部计算机断层扫描(Computed Tomography,CT)影像学信息和肺肿瘤标志物(Tumor markers,TMs)信息越来越被广泛的应用于肺结节良恶性的智能化诊断中。利用人工智能技术(Artificial Intelligence,AI)在数据挖掘方面的优势,可以从肺部CT影像和肺部肿瘤标志物中提取出与肺结节病理类型之间相关的潜在信息,实现肺结节良恶性的多种病理类型的诊断与分类。人工智能技术有利于减轻临床医学工作者的工作压力,从而进一步提升临床中肺结节的诊断效率和诊断准确率。在应用于肺结节良恶性多种病理诊断的多分辨率3D多分类深度学习模型的设计研究中,首先利用3D多分辨率的方法完整地提取肺部CT影像中肺结节3D体数据信息;其次,以双通路网络(Dual Path Network,DPN)为主网络,构建了一个肺结节良恶性多种病理类型诊断的多分辨率3D多分类深度学习模型;再次,在炎症、鳞癌、腺癌和良性其他等四种分类的数据集上进行了模型训练及验证;最终,经实验测试,本论文所构建的多分辨率3D多分类深度学习模型获得了 0.805的准确率(Accuracy,ACC),受试者工作特征(Receiver Operating Characteristic,R0C)曲线下面积(Area Under Curve,AUC)的值为 0.8755。利用肿瘤标志物构建肺结节良恶性多种病理类型的机器学习多分类模型研究中,利用癌胚抗原(CEA)、糖类抗原50(CA50)、糖类抗原125(CA125)、糖类抗原242(CA242)、糖类抗原724(CA724)、非小细胞癌相关抗原(Cyfra21-1)、神经元特异性烯醇化酶(NSE)、血清胃泌素释放肽前体(ProGRP)以及鳞状细胞癌抗原(SCCA)9项肺部肿瘤标志物,构建了一个肺结节良恶性多种病理类型的多层感知器(Multi-Layer Perceptron,MLP)Softmax多分类机器学习模型。通过在炎症、鳞癌、腺癌和良性其他等四分类的肺部肿瘤标志物数据集上进行模型验证分析,获得了0.887的准确率,AUC值为0.97。在融合深度学习和机器学习构建肺结节良恶性多种病理诊断模型研究中,采取迁移学习中权重迁移的方式,迁移由肺部CT影像构建的多分类深度学习模型和由肿瘤标志物构建的机器学习多分类模型中已经训练好的模型权值,并在两种单模态模型的尾端进行权值融合。最终,实现了基于人工智能技术融合CT影像和肺肿瘤标志物信息两种模态信息,构建肺结节良恶性的多种病理类型的分类预测模型。经过验证,采用融合深度学习和机器学习的多分类网络模型能够获得0.906的准确率,AUC值为0.95。实验结果表明,肺结节良恶性的多种病理类型分类研究是可行的。本文提出的融合CT影像信息、肺部肿瘤标志物信息以及病理类型等多种模态信息的多分类模型更适用于实际临床应用,相比于单独采用CT影像信息或者肺部肿瘤标志物信息构建的良恶性多种病理类型的分类模型的性能更佳,能更有效的提升肺结节的临床诊断效率,帮助医生制定合理的诊疗方案,是一项具有重大研究意义且富有开创性和挑战性的工作。