基于深度残差网络研发辅助诊断软件用于X线胸片分类诊断

目的:研究以深度残差网络(ResNet)为基础架构建立深度学习模型,对X线胸片(CXR)做出“有发现”与“无发现”鉴别诊断的可行性.方法:回顾性收集2017年1月1日至2018年7月1日的连续CXR图像及诊断报告,经过数据清洗后分为“无发现”组(无任何异常发现,诊断印象为“两肺心膈未见异常”,共9765例)与“有发现”组(诊断印象中提及了一种以上影像所见,共9956例).使用ResNet152(152 layers)作为二分类模型的基础架构,结合Grad-CAM技术生成模型激活热图,训练二分类模型.数据随机分为训练集(70％)、调优集(20％)和测试集(10 ％).以测试集的预测结果检测CXR二分类模型的效能.结果:在测试集中(“有发现”者1018例,“无发现”者995例),CXR二分类模型鉴别“有发现”与“无发现”的精确度分别为0.885和0.894,召回率分别为0.898和0.880,F1-分数分别为0.891和0.887,ROC曲线下面积均为0.96.结论:使用CXR二分类模型可对X线胸片做出“无发现”与“有发现”的预测.