基于剪切波弹性成像和卷积神经网络建立深度学习模型预测肾脏病变

目的 基于剪切波弹性成像(SWE)量化参数和卷积神经网络建立深度学习(DL)模型预测肾脏病变.方法 采集94例肾脏病变患者(病例组)和109名健康人(对照组)的肾脏超声SWE量化参数.利用卷积神经网络建立DL模型,比较DL模型和支持向量机、随机森林模型预测肾脏病变的敏感度、特异度、准确率和曲线下面积(AUC).结果 DL模型对预测肾脏病变的敏感度为90.48％,特异度为100％,准确率为95.12％,AUC为0.93;支持向量机模型的敏感度、特异度、准确率和AUC分别为80.74％、80.71％、80.98％、0.90,随机森林模型分别为82.22％、77.87％、80.33％和0.88.DL模型预测敏感度、特异度、准确率和AUC均高于支持向量机和随机森林模型,与支持向量机模型和随机森林模型预测肾脏病变差异均有统计学意义(P均＜0.05).结论 基于SWE量化参数和卷积神经网络的DL模型预测肾脏疾病性能良好,具有一定临床价值.