典型文献
基于深度学习的肝外伤超声图像自动识别模型
文献摘要：
目的:建立基于深度学习的卷积神经网络肝损伤模型（CNLDM），并评估其对肝实质挫裂伤的诊断价值。方法:通过动物实验获得2009张含有肝实质挫裂伤超声图像及1302张正常肝超声图像，作为模型的训练集和验证集。回顾性收集2015年1月至2021年4月解放军总医院第一医学中心确诊存在肝实质挫裂伤的超声图像153张，以及81张不含肝实质挫裂伤的肝超声图像，作为模型的外部测试集。6名不同年资医师分别对测试集图像数据进行判读。使用受试者操作特征（ROC）曲线及决策曲线分析（DCA）检验模型效能，比较不同年资医师与CNLDM模型预测肝实质挫裂伤的敏感度、特异度、准确性、阴性预测值及阳性预测值。结果:CNLDM模型诊断效能（敏感度为80%，特异度为77%，阳性预测值为87%，阴性预测值为66%）优于低年资医师组（敏感度为61%，特异度为75%，阳性预测值为82%，阴性预测值为51%），略差于高年资医师组（敏感度为84%，特异度为86%，阳性预测值为92%，阴性预测值为75%），差异具有统计学意义（H=15.306，P＜0.001；H=3.289，P＜0.001），而模型效能与中年资医师组接近，差异无统计学意义（P＞0.05）。DCA显示模型在阈值0.4~0.6之间有较好的测试集收益。结论:基于超声的人工智能模型可以较为准确地区分正常肝与含有肝实质挫裂伤的异常肝，对进一步指导临床诊治工作具有重要的意义。
文献关键词：
人工智能;深度学习;肝外伤;诊断;超声
中图分类号：
作者姓名：
王妍洁;罗渝昆;何雪磊;宋青;王坤;马骏;韩鹏;李朔朔;康林立
作者机构：
100853 北京，解放军总医院第一医学中心超声诊断科；100853 北京，解放军医学院;100853 北京，解放军总医院第一医学中心超声诊断科;100190 北京，中科院自动化研究所分子影像重点实验室；710127 西安，西北大学信息科学与技术学院;100190 北京，中科院自动化研究所分子影像重点实验室
文献出处：
引用格式：
[1]王妍洁;罗渝昆;何雪磊;宋青;王坤;马骏;韩鹏;李朔朔;康林立-.基于深度学习的肝外伤超声图像自动识别模型)[J].中华医学超声杂志（电子版）,2022(03):195-199
A类：
CNLDM
B类：
肝外伤,超声图像,图像自动识别,识别模型,肝损伤模型,肝实质,挫裂伤,诊断价值,动物实验,训练集,验证集,解放军总医院,医学中心,测试集,图像数据,判读,操作特征,决策曲线分析,DCA,检验模型,阴性预测值,阳性预测值,诊断效能,低年资,高年资,中年资,组接,人工智能模型,临床诊治
AB值：
0.232451
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
