基于深度学习的人工智能技术在肾动脉狭窄中的应用
目的 探究基于卷积神经网络的肾内动脉频谱图像识别和分类，在辅助超声筛查肾动脉狭窄及诊断狭窄程度的应用价值。 资料和方法 纳入我院同时进行肾动脉超声检查和血管造影(DSA)的126名患者，共计247条肾动脉、346个肾内动脉频谱图像。根据肾动脉狭窄诊断金标准(DSA结果)，划分肾内动脉频谱图像样本:A组(内径减少＜50％)202个、B组(内径减少≥50％，＜70％)16个、C组(内径减少≥70％)128个。样本随机分为训练集和测试集，三组样本组内具体划分如下，A组:训练集样本158个、测试集样本44个;B组因样本量过少，未用于深度学习;C组:训练集样本117个、测试集样本11个。对入组的所有肾内动脉频谱图像进行预处理，包括:从原始Dicom图像中提取频谱图、频谱图尺度归一化、图片尺寸标准化、图像二值化等;设计和搭建卷积神经网络(CNN模型)，使用预处理后的训练集进行深度学习，再用测试集评估模型效能;对比超声科医师盲法分类肾内动脉频谱图像来判断肾动脉狭窄的结果。 结果 1.采用CNN模型对55例测试集样本进行预测，其中金标准DSA分类的A组样本共计44例，AI智能正确分类28例、错误分类16例;金标准DSA分类的C组样本共计11例，AI智能正确分类7例、错误分类4例。CNN模型智能识别肾内动脉频谱图像并分类肾动脉重度狭窄的准确率63.6％、敏感性63.6％、特异性63.6％、阳性预测值30.4％、阴性预测值87.5％。 2.两名超声医师分别采用盲法对330例肾内动脉频谱图像样本进行分类，其中金标准DSA分类的A组样本共计202例，超声医师正确分类171例、错误分类31例;金标准DSA分类的C组样本共计128例，超声医师正确分类70例、错误分类58例。超声医师判读肾内动脉频谱图像诊断肾动脉重度狭窄的准确率73.0％、敏感性54.7％、特异性84.7％、阳性预测值69.3％、阴性预测值74.7％。 结论 卷积神经网络模型用于肾动脉频谱图像识别和分类重度肾动脉狭窄效果尚可，敏感性高于超声科医师对肾内动脉频谱的分类，其判读快速、可重复性强，用于辅助肾动脉超声检查经验不足的医师筛查肾动脉重度狭窄有一定临床价值。目前尚无文献报道使用CNN模型分类肾内动脉频谱图像，本研究探索性设计CNN网络模型、回顾性纳入样本数据，获得较满意分类结果，为进一步的基于深度学习的人工智能技术分类肾内动脉频谱、辅助诊断肾动脉狭窄提供依据。
人工智能;深度学习;肾动脉狭窄;彩色多普勒超声;肾内动脉频谱
中国医学科学院北京协和医学院
博士
临床医学
李建初
2019
中文
R692;TP18
2020-06-15（万方平台首次上网日期，不代表论文的发表时间）