深度学习在多相CT上鉴别肾小肿块

根据一篇提前发表在3月号上的文章，一种带有卷积神经网络(CNN)的深度学习方法可以支持在动态CT图像中评估肾小实体肿块，并具有可接受的诊断性能美国x射线学杂志(杂志)。

2012年至2016年，日本冈山大学的研究人员研究了159名患者中168个病理诊断的小(≤4cm)实性肾肿块的1807张图像集，这些肿块有四个CT分期:未增强、皮质髓质、肾源性和排泄物。

群众被归类为恶性（n = 136）或使用5点刻度的良性（n = 32），然后将该数据集随机分为五个子集。

由于领导AJR作者Takashi Tanaka解释说，“四个被用于增强和监督培训（48,832张图片），并且用于测试（281张图片）。”

利用Inception-v3架构的CNN模型，在6种不同的CNN模型中评估输出数据的最优截断值下的肿瘤AUC和准确性。

恶性肿瘤和良性病变， Tanaka的团队确实发现皮质-脊髓期的AUC值高于其他期(皮质-脊髓期vs排泄期，p = 0.022)。

此外，皮质-脊髓相图像的准确率最高(88%)。

多变量分析显示CNN模型皮质体型相位是恶性肿瘤的重要预测因素，“与其他CNN模型相比，年龄，性别和病变规模”相比，“Tanaka总结道。

---

---