目的:基于肺区CT图像最大密度投影（MIP）与深度卷积神经网络（CNN）构建慢性阻塞性肺疾病（慢阻肺）识别模型，并探讨其意义。方法:选取2010年1月—2021年5月就诊于大连医科大学附属第二医院的符合入组标准的研究对象共201例，其中慢阻肺组101例，健康对照组100例。研究对象均进行胸部薄层CT图像扫描及肺功能测试。首先，获取所有CT图像序列肺区的MIP图像；其次，以MIP图像为输入，基于改进的残差网络（ResNet）构建慢阻肺识别模型；最后，考察不同层数的ResNet模型对性能的影响。应用准确率、灵敏度、特异度、阳性预测值、阴性预测值、受试者工作特征（ROC）曲线及其下面积（AUC）评估网络的识别效能。结果:ResNet26的慢阻肺识别准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为76.1%、76.2%、76.0%、76.2%、76.0%，AUC为0.855（95% CI：0.799~0.901）；ResNet50的慢阻肺识别准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为77.6%、76.2%、79.0%、78.6%、76.7%，AUC为0.854（95% CI：0.797~0.900）；ResNet26d的慢阻肺识别准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为82.1%、83.2%、81.0%、81.6%、82.7%，AUC为0.885（95% CI：0.830~0.926）。 结论:本研究成功构建的基于肺区CT图像MIP与深度CNN的慢阻肺识别模型，可实现准确的慢阻肺识别，为慢阻肺早期筛查提供了一种有效工具。

肺疾病，慢性阻塞性;神经网络（计算机）;体层摄影扫描仪，X线计算机;最大密度投影;早期诊断

吴雅楠;齐守良;庞浩文;李梦琪;王盈熹;夏书月;王琪

东北大学医学与生物信息工程学院，沈阳110169;大连医科大学研究生院，大连116044;沈阳医学院附属中心医院呼吸科，沈阳110024;大连医科大学附属第二医院呼吸内科，大连116023

中华健康管理学杂志

[1]吴雅楠;齐守良;庞浩文;李梦琪;王盈熹;夏书月;王琪-.基于肺区CT图像最大密度投影与深度卷积网络的慢阻肺识别模型的构建及意义)[J].中华健康管理学杂志,2022(07):457-463

ResNet26,ResNet26d

最大密度投影,深度卷积网络,慢阻肺,识别模型,MIP,深度卷积神经网络,慢性阻塞性肺疾病,胸部薄层,图像扫描,肺功能测试,图像序列,残差网络,层数,阳性预测值,阴性预测值,受试者工作特征,识别准确率,ResNet50,早期筛查,体层摄影扫描仪,线计算

0.184491