基于深度学习的不同CT阈值下肺腺癌实性成分浸润性预测

摘要

目的：探讨不同CT阈值对3种深度学习模型在肺结节分类任务中的影响，以期寻找能够提高模型分类性能的最佳阈值，从而为肺结节的精准诊断提供参考。方法：收集某三甲医院113例肺腺癌（176个肺结节）患者的CT影像数据，选取5个不同的CT阈值，分别基于卷积神经网络、残差网络和卷积长短期记忆网络3种模型对肺结节进行分类，并计算各模型在不同阈值下的AUC-ROC值、准确率、精确率和召回率。结果：随着CT阈值逐渐升高，3种模型的分类性能总体上呈现出上升趋势，特别是在-200 HU阈值下，所有模型的AUC-ROC值均达到最高点，卷积神经网络、残差网络、卷积长短期记忆网络分别为0.855、0.870和0.860。然而，阈值进一步提高至-100 HU后，模型的性能有所下降。结论：CT阈值的选择对深度学习模型在肺结节分类中的表现具有显著影响，-200 HU可能是最佳阈值。在该阈值下，模型的分类性能达到最优。未来的计算机辅助诊断系统应考虑在该阈值附近进行CT图像预处理，以提高肺结节的诊断准确率。

关键词

肺腺癌 / 实性成分 / 肺结节 / 深度学习 / CT阈值