来源：期刊VIP网 时间：
作者：郭开灿;刘婷;刘高元;张勇;刘祥雏;鲁忠燕;周元林;李兵;
单位：德阳市人民医院放射科;绵竹市人民医院放射科;川北医学院附属医院放射科;
摘要：目的 探讨基于T2WI、DWI和T1增强序列的2.5D卷积神经网络（convolutional neural network, CNN）在脑膜瘤鉴别诊断中的价值。材料与方法 在A、B、C三家医院回顾性收集手术病理证实的脑膜瘤及影像表现与之类似的非脑膜瘤病例共674例，在A医院收集的414例中脑膜瘤为178例，非脑膜瘤为236例，B医院的95例中脑膜瘤为41例，非脑膜瘤为54例，C医院收集的165例中脑膜瘤为78例，非脑膜瘤87例。将所有病例分为5类：孤立性纤维瘤/血管周细胞瘤（Class 0）、脑膜瘤（Class 1）、淋巴瘤（Class 2）、转移瘤（Class 3）、软骨来源及其他类似肿瘤（Class 4）。以A医院队列为训练集，以B医院队列为测试集、C医院队列为验证集，分别基于MRI征象和输入的MRI图像构建梯度决策树（Gradient Boosted Decision Trees,GBDT）模型和三种2.5D CNNs模型（ResNet50、DenseNet169、ResNext50＿32x4d）中，在综合比较模型间的性能差异后筛选出最优模型。6位具有不同诊断工作经验的放射医师（初级、中级和高级职称医师各2名）对验证集病例进行独立诊断，评估最优模型与不同经验医师诊断结果的一致性。结果 在4种多分类诊断模型中，ResNext50＿32x4d模型被判定为最优模型，在训练集、测试集和验证集中的准确度分别为86.7%、82.1%、80.6%;6位具有不同诊断经验的放射医师（医师A～F）在测试集中的准确度分别为61.2%、66.3%、72.1%、77.9%、80.1%、83.2%，最优模型与2位高级职称放射医师的诊断结果具有较好的一致性，组内相关系数（intra-class correlation coefficient, ICC）分别为0.735、0.862。结论 基于MRI多序列的2.5D CNN模型在脑膜瘤的鉴别诊断中具有良好的分类预测性能，可为诊断决策提供有价值的参考。
关键词：脑膜瘤;;磁共振成像;;深度学习;;卷积神经网络;;鉴别诊断
基金资助：四川省基层卫生事业发展研究中心重点项目（编号：SWFZ24-Z-01）;; 德阳市科技计划重点研发项目（编号：2021SZZ079）~~
