基于深度学习技术自动识别前纵隔病变.pdfVIP

广西医科大学学报

2025Oct.42（5）

·710·JOURNALOFGUANGXIMEDICALUNIVERSITY

基于深度学习技术自动识别前纵隔病变

12，3，4，52，3，4，52，3，4，5662，3，4，5

吕宝雷，管添，孙超，耿嘉懿，陈灿灿，王大为，陈修远

（1.石家庄市人民医院胸外科，石家庄050031；2.北京大学人民医院胸外科，北京100032；3.北京大学人

民医院胸部肿瘤研究所，北京100032；4.北京大学人民医院肺癌大数据创新应用北京市重点实验室，北京

100032；5.北京大学人民医院放射科，北京100032；6.推想医疗科技股份有限公司先进研究院，北京100025）

摘要目的：开发并验证了一种用于自动检测前纵隔病变的深度学习算法，以提高胸部CT检查中前纵隔病变的诊断效率。

方法：本研究纳入了2015—2022年来自两个医疗中心的256例接受胸部CT检查的患者，其中145例存在前纵隔病变。前纵

隔病变的轮廓由两位资深放射科医生手动勾勒。研究基于ResUnet算法结合多感兴趣区域（MultiROI）策略和数据增强方法

构建3个深度学习模型，用于分割病变并减少假阳性。通过DICE指数、灵敏度、特异度以及自由响应受试者工作特征（FROC）

曲线，在内部和外部测试集上对模型性能进行评估。结果：最优模型3在内部测试集和外部测试集的DICE评分分别提升至

0.834和0.643。在检测任务中，其在内部和外部测试集中的灵敏度相近，分别为0.794和0.773，特异度分别为0.893和0.836。

此外，每例扫描的假阳性率降至0.125和0.101，平均预测时间为21.13～26.12s。结论：该深度学习算法能够在CT图像上准确

分割和检测前纵隔病变，具有辅助临床诊断前纵隔病变的潜力。

关键词前纵隔病变；深度学习；人工智能；ResUnet算法；多感兴趣区域策略；数据增强方法

中图分类号:R655.5文献标志码:A文章编号:1005-930X（2025）05-0710-10

DOI：10.16190/ki.45-1211/r.2025.05.009

Automaticidentificationofanteriormediastinallesionsbasedondeeplearningalgorithm

12,3,4,52,3,4,52,3,4,566

LYUBaolei,GUANTian,SUNChao,GENGJiayi,CHENCancan,WANGDawei,CHENXi‐

uyuan2,3,4,5.(1.DepartmentofThoracicSurgery,ShijiazhuangPeople’sHospital,Shijiazhuang050031,China;

2.DepartmentofThoracicSurgery,PekingUniversityPeople’sHospital,Beijing100032,China;3.Instituteof

ThoracicOncology,PekingUniversityPeople’sHospital,Beijing100032,China;4.BeijingKeyLaboratoryof

Innovative