基于CT影像构建的ResNet-18模型在非酒精性脂肪性肝病分级中的应用

目的应用深度学习图像识别网络ResNet-18,基于肝脏CT扫描图像,建立非酒精性脂肪性肝病(NAFLD)分级预测模型,为辅助临床诊断提供参考.资料与方法收集2020年5—12月河北医科大学第一医院164例经CT扫描检查拟诊为NAFLD的影像数据,共1801层CT平扫图像,同时收集20例行上腹部CT平扫未见明显异常者作为对照组,共200层图像,共计2001层图像.首先进行图像预处理,按照60％、20％、20％划分训练、验证和测试数据集,训练与验证数据集用于建立采用迁移学习方式的ResNet-18网络模型,优化模型权重参数以及防止过拟合,测试数据集用于评估模型最终表现,用受试者工作特征曲线评估ResNet-18图像识别网络在NAFLD分级中的价值.结果ResNet-18图像识别网络在测试集中的总体准确率为95％,识别正常与轻中重度NAFLD分级的敏感度分别为100％、98％、88％、97％,特异度分别为95％、94％、98％、94％,受试者工作特征曲线下面积均>0.98.结论ResNet-18图像识别网络在图像识别方面具有较高的敏感度和特异度,可以准确进行NAFLD分级诊断.