关键词:
阑尾肿瘤
深度学习
体层摄影术,X线计算机
诊断,计算机辅助
ROC曲线
摘要:
目的 构建基于增强CT图像的2.5D深度学习模型,并探讨其在术前评估阑尾黏液性肿瘤(appendiceal mucinous neoplasms, AMNs)危险度分级中的效能与临床应用价值。方法 选取2014年5月—2025年9月因阑尾肿瘤性病变就诊于本院并行增强CT检查确诊的AMNs患者170例,按照8∶2比例随机分为训练集和验证集。根据病理诊断结果,将上述患者分为低危组110例和高危组60例。收集上述患者的临床及影像学特征资料,包括性别、年龄、血清白蛋白水平、血小板计数、肿瘤钙化情况、肿瘤成分、肿瘤边界情况以及AMNs轴位最大层面的短径。选取所有患者腹部增强CT静脉期影像数据,于横轴位、冠状位及矢状位中分别提取显示阑尾病变范围最大层面的图像(2D图像),以构建3种2D DenseNet169模型(横轴位2D模型、冠状位2D模型、矢状位2D模型),并采用切片堆叠策略构建2.5D DenseNet169模型(2.5D模型)。通过多因素logistc回归分析评估临床及影像学特征与AMNs危险度分级的关系。采用受试者工作特征(ROC)曲线下面积(AUC)评估模型预测效能,并采用决策曲线分析(DCA)及校准曲线验证模型的临床应用价值。结果 多因素logistic回归分析结果显示,肿瘤边界情况是术前评估AMNs危险度分级的独立预测因子(P<0.01)。模型预测效能分析结果显示,在训练集和验证集中,2.5D模型的AUC、预测的准确度、预测的特异度、F1分数及MCC均高于横轴位、冠状位及矢状位2D模型。DCA及校准曲线分析结果显示,2.5D模型的临床净收益和校准度均优于3种2D模型。结论 本研究构建的基于增强CT图像的2.5D深度学习模型在术前AMNs危险度分级中表现出良好预测效能与临床应用价值。