人工神經(jīng)網(wǎng)絡技術在肺癌CT診斷中的應用.pdf

1、背景與目的： 肺癌是最常見的癌相關性死因，全世界每年有超過100萬人死于肺癌。在發(fā)達國家，肺癌導致的死亡率處于癌相關性疾病死亡之首。在中國，肺癌的發(fā)病率已上升為惡性腫瘤的第二位，其病死率在城市人口惡性腫瘤中居首位，且其發(fā)病率呈逐漸增高趨勢。肺癌發(fā)病時間短，轉移快，預后不理想，總的五年生存率僅為15％，而早期發(fā)現(xiàn)及早期診斷則可以明顯提高生存率。因此，早發(fā)現(xiàn)、早診斷、早治療是提高肺癌患者生存率、降低死亡率的關鍵。但是由于多種相關因素

2、，使得早期診斷有相當?shù)木窒扌?，如何提高肺癌的早期診斷率是一個迫切的問題。目前肺癌診斷的三種主要方法：影像診斷、化學診斷(血清學和免疫學)及細胞學與組織學診斷。肺癌影像學診斷方法包括X線、CT、MRI、血管造影及介入放射學等。CT是診斷肺癌的一個重要手段，是目前應用比較廣泛的診斷手段之一。但是由于肺癌CT片表現(xiàn)的復雜性和其他不確定因素，使臨床醫(yī)生在觀察有些肺CT片時并不容易做出正確診斷。如果能建立一個人工智能輔助診斷系統(tǒng)：既能輔助放射醫(yī)生

3、避免觀察肺CT片由于知識和經(jīng)驗局限而帶來的主觀性，又可對肺癌CT片特征與其他肺部病變的CT片特點加以區(qū)別鑒定，盡可能早的發(fā)現(xiàn)肺癌，勢必大大提高肺CT片的診斷價值，有助于提高早期肺癌的診斷率。如何建立一個這樣的智能分析系統(tǒng)，則是問題解決的關鍵所在。 人工神經(jīng)網(wǎng)絡(Artificial Neural Networks，ANN)是在對人腦組織結構和運行機制認識理解的基礎之上模擬其結構和智能行為的一種非線性信息處理工程系統(tǒng)，是近年來迅速

4、發(fā)展起來的一門集神經(jīng)科學、信息科學、計算機科學于一體的交叉、邊緣學科，是生物神經(jīng)網(wǎng)絡在結構、功能及某些基本特性方面的理論抽象、簡化和模擬而構成的一種信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡具有大規(guī)模的并行處理和分布式的信息存儲能力，并有良好的自適應、自組織性以及很強的學習功能、聯(lián)想功能和容錯功能。目前，人工神經(jīng)網(wǎng)絡已經(jīng)被廣泛應用在金融、商業(yè)、信息、醫(yī)學等各個領域。人工神經(jīng)網(wǎng)絡在醫(yī)學領域里已被用在疾病臨床診斷(專家系統(tǒng))、疾病篩查和輔助診斷、疾病相關因

5、素研究、預測疾病的發(fā)病風險、生存分析、基因識別和DNA、RNA序列分析、蛋白質(zhì)結構分析等。人工神經(jīng)網(wǎng)絡在放射學也有廣泛的應用，主要表現(xiàn)在胸部疾病的影像診斷。在影像學研究中應用人工神經(jīng)網(wǎng)絡輔助診斷可提高診斷準確性，國外已有人將人工神經(jīng)網(wǎng)絡應用到胸部CT診斷，并獲得較好效果。本研究將人工神經(jīng)網(wǎng)絡應用到肺癌CT影像診斷中，以期提高對肺癌診斷率。 材料與方法： 1．肺CT片117例(良性58例，惡性59例)，Matlab，SAS

6、。 2．經(jīng)3名有經(jīng)驗放射科醫(yī)師對117例CT片仔細觀察，提取的21項放射學特征為：病灶大小、密度、邊緣情況、磨玻璃樣改變、空洞征、毛刺征、血管切跡、分葉征、棘突征、胸膜凹陷、胸膜浸潤、縱隔移位、縱隔受侵、縱隔淋巴結腫大、肺氣腫、肺內(nèi)遠處轉移、鈣化、氣管狹窄情況、衛(wèi)星病灶、肺不張、胸腔積液。由3名放射醫(yī)師分別對21項影像特征進行評分量化，結合臨床上性別、年齡、吸煙史、家族史、體重減輕情況等5項參數(shù)構成輸入項。對網(wǎng)絡進行訓練，構建模

7、型，并盲法測試(仿真)。 3．利用訓練好的人工神經(jīng)網(wǎng)絡模型對預測集樣本進行預測診斷(仿真過程)。結合RoC比較人工神經(jīng)網(wǎng)絡與Logistic回歸對訓練集和預測集所有樣本的預測效果和人工神經(jīng)網(wǎng)絡與放射醫(yī)師對預測集的診斷效果。 結果： 1．人工神經(jīng)網(wǎng)絡訓練結果采用反向傳播算法，隱含層神經(jīng)節(jié)點取6，動量因子mc=0,95，BP人工神經(jīng)網(wǎng)絡經(jīng)過5次迭代后達到預期目標，訓練停止。BP神經(jīng)網(wǎng)絡對訓練集73例樣本預測準確度達1

8、00％。 2．人工神經(jīng)網(wǎng)絡與Logistic回歸對訓練集和預測集所有樣本的預測結果BP神經(jīng)網(wǎng)絡和Logistic回歸對訓練集和預測集所有樣本預測的準確度分別為96.6％(113/117)和84.6％(99/117)，RoC曲線下面積分別為0.986(95％CI：0.944-0.998)和0.909(95％CI：0.842-0.954)，p=0.008。 3．人工神經(jīng)網(wǎng)絡與放射醫(yī)師對預測集的診斷結果BP神經(jīng)網(wǎng)絡和放射醫(yī)師對