胸片都能自动评价阴性阳性了？
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
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
相关文章
评论
我要跟帖
.jpg)
