基于ResNet50深度学习模型鉴别脊柱良恶性骨折

目的 评估基于CT的ResNet50深度学习模型鉴别脊柱良恶性压缩骨折的可行性.方法 回顾433例脊柱压缩骨折患者的影像学资料,其中良性137例,恶性296例.由一位高年资放射科医师在脊柱矢状位CT图像上对每位患者压缩椎体的6个影像学特征进行评价并做出良恶性诊断,另外两位放射科医师对每位患者脊柱压缩骨折的良恶性进行诊断.将感兴趣区放置在压缩最严重的椎体上,并生成能够包含病变的最小长方形边界框.ResNet50网络的输入通道为3,包括病变所在层面及其相邻两个层面.使用10折交叉验证评估模型的诊断性能.在获得每一层面的恶性概率后,设置阈值为0.5,将所有层面中最高的恶性概率作为患者的最终诊断结果.结果 6个影像学特征中软组织肿块和骨质破坏高度提示骨折为恶性,而横向骨折线则提示骨折为良性的可能性大.ResNet50对每一层面诊断的敏感性为90％,特异性为79％,准确性为85％.对于每一位患者,其诊断敏感性提高到95％,特异性保持在80％,总体准确性为88％.具有5年和1年经验的两位放射科医师的诊断准确性分别达到了99％和92.8％.结论 基于CT的ResNet50深度学习模型对脊柱良恶性骨折的鉴别具有良好的准确性.