MRPMedical Research and Practice2993-96902993-9704Art and Design10.61369/MRP.8013Article基于EfficientNet的CT 肺结节分级方法研究https://artdesignp.com/journal/MRP/2/8/10.61369/MRP.8013刘东权,赵永刚,王伟根2024282024-08-20目的 研究基于EfficientNet模型的肺结节病变分级识别方法，用以提高肺结节的诊断识别效能和人工智能鉴别诊断肺结节的临床价值。方法 选取2021年3月至2023年9月在宁海县第一医院经螺旋CT检查12,480张肺结节图像，包括四种程度的肺结节病变和健康肺部CT图像，使用EfficientNet-B0模型训练CT图像肺结节分级模型。从中随机抽取了高质量CT图像作为研究样本，并确保所有图像均符合《肺结节诊治中国专家共识（2018 年版）》中对肺结节的定义。采用EfficientNet深度学习模型对预处理后的图像进行特征提取，实现对肺结节的自动检测分级。数据集被分为训练集、验证集和测试集，其中训练集占80%，验证集占20%，测试集占5%。使用训练集数据对模型进行训练，并通过不断调整模型参数以优化其性能。结果 EfficientNet模型在检测不同直径的肺结节时，准确率、敏感度和特异度均表现出较高水平。具体来说，C0（无结节）准确率为99.00%，C1（2级，直径<6mm）准确率为88.23%，C2（3级，6mm≤直径<8mm） 准确率为85.61%，C3（4a 级，8mm≤直径<15mm） 准确率为82.14%，C4（4b级，直径≥15mm）准确率为90.24%。敏感度随着结节直径的增加而提高，C4类敏感度达到94.34%。特异度也表现出类似趋势，C4类特异度为86.54%。结论 研究通过采用EfficientNet深度学习模型对肺结节CT图像进行自动检测分级，取得了较好的结果。EfficientNet 模型 ,肺结节病变 ,鉴别诊断 ,检出效果

[1] 南岩东，李玉娟，刘苗苗，等．人工智能在肺结节良恶性鉴别诊断中的价值分析［J］．中华肺部疾病杂志（电子版），2020,13(6):760-763.[2] 刘亚斌，周围，白琛，等．基于人工智能技术的肺部CT扫描在肺结节筛查及良恶性鉴别诊断中的应用分析［J］．中国CT和MRI 杂志，2022,20(9):52-54.[3] 李甜，李晓东，刘敬禹．人工智能辅助诊断肺结节的临床价值研究［J］．中国全科医学，2020,23(7):828-831,836.[4] 中华医学会呼吸病学分会肺癌学组，中国肺癌防治联盟专家组．肺结节诊治中国专家共识(2018 年版)［J］．中华结核和呼吸杂志，2018, 41(10):9.[5] 马景旭，陈欢，王红．分析肺部影像人工智能诊断系统鉴别诊断肺结节性质［J］．临床肺科杂志，2021,26(6):842-846.[6] 陈长波．肺部影像人工智能诊断系统对肺结节性质的诊断价值分析［J］．中国数字医学，2020,15(11):40-42,131.[7] Tan M, Le Q. Efficientnet: Rethinking model scaling for convolutionalneural networks. In: International Conference on Machine Learning (edKamalika Chaudhuri), Long Beach, California, USA, June 9‑15, 2019,p. 6105-14. PMLR.[8] Russakovsky O, Deng J, Su H, Krause J, Satheesh S, Ma S, et al.Imagenet large scale visual recognition challenge. Int J Comput Vis2015;115:211‑52.[9] 尹泚，毛文杰，李斌，等．人工智能系统在肺结节检出及良恶性鉴别中的应用研究［J］．中华胸心血管外科杂志，2020,36(9):553-556.[10] 毛卫霞，任聪云，李少臻，等．人工智能联合低剂量肺部CT扫描在肺原位癌筛查中的诊断价值［J］．中国医学装备，2021,18(12):45-48.[11] 周诚，刘文亚．人工智能肺结节诊断系统对亚实性肺结节良恶性的预测［J］．临床放射学杂志，2022,41(2):265-268.[12] 何舜东，胡子良，欧阳林，等．人工智能识别结合DenseNet网络模型CT在亚实性肺结节诊断中应用［J］．分子影像学杂志，2022,45(2):248-251.[13] 李娟娟，刘敏，杨斌，等．人工智能辅助肺结节筛查及定性诊断的应用研究［J］．实用临床医药杂志，2022,26(8):8-12.[14] Tandon YK, Bartholmai BJ, Koo CW. Putting artificial intelligence (AI) on the spot: machine learning evaluation of pulmonary nodules. J Thorac Dis. 2020 Nov;12(11):6954-6965.[15] 刘亚斌，李庆，周围，等．胸部CT结合AI诊断系统对疑似肺结节患者的诊断及对结节类型的评估价值［J］．现代生物医学进展，2022,22(5):955-959,949.[16] 张涛，张登国，李建，等．人工智能影像系统在肺部结节诊断中的真实世界数据分析［J］．四川医学，2021,42(2):193-196.[17] 周孟然，王宁，高立鹏，等．基于改进EfficientNet网络的肺结节图像分类研究［J］．齐齐哈尔大学学报，2024（01）:214-218.