基于深度学习提高经直肠超声诊断前列腺癌效能的研究

目的:探索基于深度学习构建的前列腺癌经直肠超声图像分类网络模型对经直肠超声图像中前列腺组织良恶性分类的应用价值。方法:收集2018年5月至2021年5月于暨南大学附属第一医院就诊的203例可疑前列腺癌患者(其中恶性89例，良性114例)的1 462张包含明确病理结果的经直肠前列腺穿刺二维灰阶超声图像(其中恶性图片658张，良性图片804张)，将其分为训练集、验证集和测试集，应用训练与验证集训练得到辅助诊断网络模型，再用测试集对网络模型与两位不同年资超声医师进行测试，以病理诊断作为金标准，评估三者的诊断效能。结果:①网络模型分类的准确性为80.5%，敏感性为66.7%，特异性为91.9%，阳性预测值为87.1%，ROC曲线下面积为0.922。②低年资医师与高年资医师判断准确性分别为57.5%、62.0%，敏感性分别为51.5%、56.8%，特异性分别为62.0%、66.3%，阳性预测值分别为53.1%、58.1%。③对图像分类的准确性、敏感性、特异性、阳性预测值：网络模型>两位超声医师，差异有统计学意义(均 P<0.05)；高年资医师>低年资医师，但差异无统计学意义(均 P>0.05)。 结论:基于深度学习构建的辅助诊断网络模型能对经直肠超声图像中前列腺组织进行良恶性分类，能够提高超声医师诊断前列腺癌的准确性，对提升临床高度怀疑前列腺癌患者的筛查效能具有重要意义。