本研究旨在评价卷积神经网络(CNNs)对胸片进行分类的价值。
本研究共纳入了216431例胸片检查及相关诊断报告。该数据用来训练CNN对胸片进行分类为正常和异常。利用标准二进制分类标准、详细误差分析对开发集大小、训练集大小和初始化策略和网络构架对最终结果的影响进行评价。
结果为,经过训练200000例图像后CNN的平均曲线下面积为0.96.该曲线下面积要优于观察者对2000例图像的诊断结果,但当与观察者诊断20000例结果相比时并无统计学差异。CNN输出结果优良,平均曲线下面积为0.98 (P < .005)。对于特别图像分析显示该模型能够可靠的评价胸部病变。
本研究表明,经过相当数量病例训练后的CNN能够对胸片进行阴性和阳性分类,这也许有助于对异常胸片进行自动分类。
原始出处:
Dunnmon JA, Yi D, Langlotz CP,et al.Assessment of Convolutional Neural Networks for Automated Classification of Chest Radiographs.Radiology.DOI:10.1148/radiol.2018181422
本文系梅斯医学(MedSci)原创编译整理,转载需授权!
版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#评价#
38
#胸片#
36