融合深度学习和影像组学特征的胰腺囊性肿瘤分类模型研究

作     者：王蕾 丁明凤 WANG Lei;DING Ming-feng

作者机构：江苏省肿瘤医院放疗科南京210009 

出 版 物：《医疗卫生装备》 (Chinese Medical Equipment Journal)

年 卷 期：2025年第46卷第1期

页      面：7-12页

学科分类：12[管理学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0836[工学-生物工程] 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：江苏省博士后科研资助计划项目(SBH2021422) 

主　　题：磁共振成像 深度学习 影像组学 胰腺囊性肿瘤 肿瘤分类 

摘      要：目的:为提升胰腺囊性肿瘤分类的准确率和一致性,构建融合深度学习和影像组学特征的综合分类模型。方法:首先,利用影像组学技术提取胰腺囊性肿瘤图像的影像组学特征,采用ResNet50卷积神经网络提取胰腺囊性肿瘤图像的深度学习特征,并采用最小绝对收缩选择算子特征筛选方法对特征进行筛选,得到关键特征;其次,基于关键特征构建单一影像组学的特征模型、单一深度学习的特征模型、融合深度学习和影像组学特征的综合分类模型;最后,选用逻辑回归、随机森林、自适应提升以及支持向量机(support vector machine,SVM)4个分类器对上述3种特征模型进行对比测试,以验证3种模型对胰腺囊性肿瘤的分类效果。结果:融合深度学习和影像组学特征的综合分类模型在SVM分类器上表现最好,准确率为89.34%、召回率为92.13%、精确率为75.34%、AUC值为0.90,F1值为0.83,均优于单一影像组学特征模型和单一深度学习特征模型。结论:融合深度学习和影像组学特征的综合分类模型更能挖掘出各类特征之间是否存在互补关系,具有较好的胰腺囊性肿瘤分类性能,能够为进一步的精准诊断和治疗提供帮助。