基于DCE-MRI图像深度学习模型鉴别诊断乳腺良恶性肿瘤的价值分析.pdfVIP

特别关注｜｜SpecialFocus磁共振成像2024年10月第15卷第10期ChinJMagnResonImaging,Oct,2024,Vol.15,No.10

深度学习专题｜｜临床研究

基于DCE-MRI图像深度学习模型鉴别诊断

乳腺良恶性肿瘤的价值分析

11112*

罗文斌，郑晔，刘欣，王蕾，段少银

作者单位1.厦门医学院附属第二医院放射一科，厦门361021；2.厦门大学附属中山医院影像科，厦门361004

*通信作者段少银，E-mail:xmdsy@

中图分类号R445.2；R737.9文献标识码ADOI10.12015/issn.1674-8034.2024.10.005

本文引用格式罗文斌,郑晔,刘欣,等.基于DCE-MRI图像深度学习模型鉴别诊断乳腺良恶性肿瘤的价值分析[J].磁共振成像,

2024,15(10):22-29.

[摘要]目的探讨基于动态对比增强磁共振成像（dynamiccontrast-enhancedmagneticresonanceimaging,DCE-MRI）图像深度

学习模型鉴别诊断乳腺良恶性肿瘤的价值。材料与方法回顾性分析2018年9月至2022年12月厦门医学院附属第二医院病理

学确诊303例乳腺肿瘤患者资料，良性144例，恶性159例。按7∶3的比例分层随机抽样患者，分成训练集212例、测试集

91例。构建六个深度学习模型：50层深度残差网络（50-layerdeepresidualnetwork,ResNet-50）、Inception-V3、Googlenet，密

集连接的卷积网络（denselyconnectedconvolutionalnetworks,DenseNet）-121、视觉几何组（visualgeometrygroup,VGG）-19和

移动神经网络（mobileneuralnetwork,MobileNet）-V3，同时应用梯度加权类激活映射（gradient-weightedclassactivation

mapping,Grad-CAM）对模型进行可视化。最后通过第一、二轮阅片比较了深度学习模型、初级和高级放射科医师的诊断结果。

通过受试者工作特征（receiveoperatingcharacteristic,ROC）曲线、准确度、敏感度、特异度、阴性预测值（negativepredictive

value,NPV）及阳性预测值（positivepredictivevalue,PPV）对不同深度学习模型及两轮阅片的诊断效能进行分析，计算各深度

学习模型曲线下面积（areaunderthecurve,AUC），使用DeLong检验对各模型间ROC曲线进行比较，使用配对卡方检验比较两

轮阅片的诊断效能。结果训练集ResNet-50、Inception-V3、Googlenet、DenseNet-121、VGG-19和MobileNet-V3六种深度学

习模型AUC分别为0.874[95%置信区间（confidenceinterval,CI）：0.828~0.920]、0.771（95%CI：0.707~0.834）、0.993（95%CI：

0.986~0.999）、0.926（95%CI：0.888~0.958）、0.947（95%CI：0.918~0.975）及0.945（95%CI：0.918~0.973）。测试集

ResNet-50、Inception-V3、Googlenet、DenseNet-121、VGG-19和MobileNet-V3六种深度学习模型AUC分别为0.841（95%CI：

0.755~0.927）、0.746（95%CI：0.641~0.851）、0.822（95%CI：0.736~0.909）、0.752（95%CI：0.650~0.855）、0.827（95%CI：