基于多任务学习构建尘肺病鉴别诊断及分期模型
Construction of differential diagnosis and staging model of pneumoconio-sis based on multi-task learning作者机构:四川大学华西公共卫生学院/华西第四医院华西职业性尘肺病队列工作组 四川大学计算机学院
出 版 物:《现代预防医学》 (Modern Preventive Medicine)
年 卷 期:2024年第51卷第7期
页 面:1187-1192+1211页
学科分类:12[管理学] 1004[医学-公共卫生与预防医学(可授医学、理学学位)] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 100402[医学-劳动卫生与环境卫生学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 10[医学]
基 金:国家自然科学基金项目(U22A20359,82373548) 四川省科技厅自然科学基金项目(2023NSFSC0647,2023NSFSC1729,2023NSFSC0649,2023NSFSC1965)
摘 要:目的 基于多任务学习,构建深度学习模型辅助临床医师进行尘肺病鉴别诊断与分期。方法 收集2011—2022年四川省某职业病医院3 600名就诊者的数字化摄影后前位胸片,使用全卷积神经网络(UNet)进行肺野分割。基于多任务学习,利用任务间相关性,以DenseNet121为骨干网络,添加两个分类器构建多任务模型,并在ChestX-ray14数据集上预训练。采用配对t检验比较单任务模型与多任务模型之间准确率、精确度、灵敏度、F1分数的差异。结果 测试集结果显示,单任务模型鉴别诊断和诊断分期性能约90%和77%。多任务模型鉴别诊断和诊断分期性能约94%和86%,分别高于单任务模型约4%和9%,评价指标间差异具有统计学意义(P0.05)。结论 多任务模型较单任务模型更具优势,可有效实现尘肺病与肺结核的鉴别诊断和尘肺病精准分期。