CN111816314B - 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 - Google Patents
一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 Download PDFInfo
- Publication number
- CN111816314B CN111816314B CN202010626393.2A CN202010626393A CN111816314B CN 111816314 B CN111816314 B CN 111816314B CN 202010626393 A CN202010626393 A CN 202010626393A CN 111816314 B CN111816314 B CN 111816314B
- Authority
- CN
- China
- Prior art keywords
- chest
- pneumoconiosis
- film
- stage
- diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 206010035653 pneumoconiosis Diseases 0.000 title claims abstract description 83
- 238000012216 screening Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000002372 labelling Methods 0.000 title claims abstract description 16
- 238000012795 verification Methods 0.000 title claims description 10
- 238000003745 diagnosis Methods 0.000 claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 4
- 210000004072 lung Anatomy 0.000 claims description 40
- 238000002601 radiography Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000035945 sensitivity Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000000428 dust Substances 0.000 abstract description 4
- 208000019693 Lung disease Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 208000028571 Occupational disease Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 208000005069 pulmonary fibrosis Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法；包括计算机硬件系统及控制软件系统，计算机硬件系统包括中央处理器、存储器、输入输出控制系统；其方法包括以下步骤：基础数据库的建立、计算与建模、对人工智能模型验证。本发明可准确和高效的对尘肺病胸片进行标注，并用于人工智能筛查尘肺模型的建立，使人工智能在接触粉尘工人职业健康检查筛查和尘肺病辅助诊断中，提高筛查和诊断准确率、提高工作效率。
Description
技术领域
本发明涉及职业健康检查筛查或辅助诊断尘肺病方法，特别涉及统计功效估计遴选样本数、并联与串联相结合的尘肺病胸片读片标注、人工智能模型验证等技术。
背景技术
尘肺病是在职业活动中长期吸入生产性矿物性粉尘并在肺内潴留而引起的以肺组织弥漫性纤维化为主的肺部疾病，是目前世界上危害最严重和最常见的职业病。
目前尘肺病主要以X射线高千伏或数字化摄影(DR)后前位胸片作为筛查或诊断依据。长期的实践和研究证明，在尘肺病体检或诊断中，读片差异是客观存在的。在遵循相同的诊断原则及读片条件下，不同读片者或同一读片者前后判断的结果均不尽相同，这种差异严重影响尘肺病筛查或诊断的准确性，极易产生误诊或漏诊。通过检索1990年1月1日至2018年8月10日中国关于尘肺病诊断差异的文献资料并进行系统分析，结果显示，对尘肺病诊断的总体符合率在15.0％至64.0％之间。
近年来，人工智能在医疗卫生领域的研究与应用发展迅速。人工智能以强大的学习能力、计算能力、识别能力作为诊疗辅助手段发挥了重要作用，尤其是利用影像学数据对肺部疾病进行诊断发展迅速。使用决策树、支持向量机、卷积神经网络算法构建的模型，在对肺部疾病包括尘肺病诊断方面都取得了比较理想的结果。人工智能筛查或辅助诊断尘肺病，对减少读片差异和提高诊断准确性将发挥积极的作用。但建立人工智能模型需要使用胸片样本，而且要对胸片进行准确标记。
如采用传统方法，使用大量胸片样本，个人或集体对尘肺病胸片读片标注，由于受主观因素的影响，仍存在30～40％的较大差异，严重影响人工智能筛查或诊断尘肺病准确性，且成本效率不合理。
技术内容
本发明的目的是，提供一种采用统计功效估计方法遴选样本和并联与串联相结合读片标注方法，建立人工智能筛查尘肺病系统，通过验证获得理想效果。使人工智能在接触粉尘工人职业健康检查筛查和尘肺病辅助诊断中，提高筛查和诊断准确率，以及提高工作效率。
本发明的目的可以通过以下技术方案实现，一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法；人工智能系统包括计算机硬件系统及控制软件系统，计算机硬件系统包括中央处理器、存储器、输入输出控制系统；其所述方法包括以下步骤：
1)、基础数据库的建立：
(1)采用统计功效估计方法遴选DR(数字化X线摄影)胸片：
选取DR正常胸片、壹期尘肺病胸片、贰期尘肺病胸片、叁期尘肺病胸片若干份；
(2)依据《职业性尘肺病诊断》(GBZ70-2015)，对选取的上述胸片进行分区，按两侧肺野6个肺区范围，将左肺野及右肺野，分别由肺尖至膈顶的垂直距离，用等分点的水平线把每侧肺野各分为上、中、下三个肺区，即将胸片左右肺野共分为6个区域；
(3)依据《职业性尘肺病诊断》(GBZ70-2015)，并对采用统计功效估计方法遴选的胸片，由人工进行每一区域的特征标注，具体特征标注为：
A、小阴影形态和大小：记录小阴影的形态和大小，分别用p、q、r、s、t、u标记或组合标注，如p/p、p/q、q/q、q/p、p/s、s/s、s/t、t/t、t/s等；
B、密集度：按三大级及十二小级分级标注，表示如下：0/-、0/0、0/1为0级；1/0、1/1、1/2为1级；2/1、2/2、2/3为2级；3/2、3/3、3/+为3级；
C、总体密集度：以4大级分级标注，表示如下：0、1、2、3级；
D、大阴影：用4表示，并标注所处肺区，同时在胸片上用红色线条画图标注；
E、小阴影聚集：用9表示，并标注所处肺区，同时在胸片上用绿色线条画图标注；
F、分布范围：将胸片中具有的上述特征，分别在两肺野相应肺区标注，以表示分布范围；
(4)人工标注：
采用并联与串联相结合方法，即双盲与集体读片方法读片标注，以提高标准片的精准性；
A、将人工分为A、B两组，每组2人以上，各组分别独立读片，并用上述特征对每个肺区进行标注，诊断为尘肺及分期结果一致的胸片作为标准片；诊断结果不一致的胸片，随机再次分配给各组读片，诊断为尘肺及分期结果一致的胸片作为标准片；
B、对于两组读片结果不一致胸片，A组与B组共同读片，或另选同等条件的人工，即C组读片，诊断为尘肺及分期结果一致的作为标准片，认定未超过2/3一致的胸片剔除，每次读片间隔2周以上；
C、将标准片按分期结果分别存入计算机正常胸片标准数据库、壹期胸片标准数据库、贰期胸片标准数据库、叁期胸片标准数据库；
2)、计算与建模
采用深度学习方法之一的卷积神经网络法，对DR胸片DICOM图像进行学习训练，包括正常胸片标准数据库、壹期胸片标准数据库、贰期胸片标准数据库、叁期胸片标准数据库中的特征标注，建立人工智能筛查尘肺病初级模型；
由于原规格胸片分辨率较低，首先使胸片规格调整变小，对胸片两肺野进行抠影，并分为6个区域，以提高胸片分辨率，胸片重新调整至原规格，便于计算机对图像的识别；
模型共包含3个组件：输入层、隐藏层和输出层；其中，输入层用于接受DR胸片DICOM图像的输入,并传递给隐藏层，最终将信号传递给输出层；最后得出尘肺病及分期的预测结果；
3)、对人工智能模型验证：
(1)计算机录入用于验证的胸片，计算识别该胸片的特征，小阴影形态和大小、密集度、总体密集度、分布范围、大阴影、小阴影聚集，并分别存入待查胸片数据库；
(2)计算机将待查胸片数据库中该胸片的特征，输入筛查尘肺病初级模型，经过计算得出结果，生成尘肺病及分期的诊断报告；
(3)筛查尘肺病初级模型计算运行结束后，将该待查胸片、诊断结果存入诊断数据库；
(4)由两人以上的人工对诊断数据库中的疑似尘肺病的胸片读片，将读片最终诊断与计算机输出诊断结果对比进行验证，分别统计分析：阴阳准确率(ACCscr)、灵感度(SEN)、特异度(SPE)、分期准确率(ACCsta)；具体的计算为：
A、指标为：真阴性(TN)、伪阴性(FN)、伪阳性(FP)、真阳性(TP)；
B、计算公式为：
(5)经上述统计分析，筛选尘肺病准确率达到97％或以上，分期准确率达到80％或以上，灵敏度0.98，特异度0.97，验证结果显示所建筛查尘肺病模型效果良好。
本发明可准确和高效的对尘肺病胸片进行标注，并用于人工智能筛查尘肺模型的建立，使人工智能在接触粉尘工人职业健康检查筛查和尘肺病辅助诊断中，提高筛查和诊断准确率、提高工作效率。
具体实施方式
一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法；人工智能系统包括计算机硬件系统及控制软件系统，计算机硬件系统包括中央处理器、存储器、输入输出控制系统；其特征在于所述方法包括以下步骤：
1、基础数据库的建立
(1)胸片遴选数量：本发明中胸片的遴选，是基于统计功效估计方式来确定遴选胸片张数的，遴选胸片以下统计功效是基于最小ROC曲线(接收者操作特征曲线)下面积(AUC)0.85来计算的。ROC曲线，即接收者操作特征曲线，是一种坐标图式的分析工具，用于选择最佳分类模型、舍弃次佳分类模型。AUC(Area under the Curve of ROC)，即ROC曲线下方的面积。
对于N1例正常胸片对比样本和N2例尘肺壹期胸片样本，计算的统计功效为0.89。如果真实的AUC是0.90，那么模型更够准确的区分正常胸片样本和尘肺壹期胸片样本的AUC显著高于0.85(显著水平为0.05)。
对于N2例尘肺壹期胸片样本和N3例尘肺贰期胸片样本，计算的统计功效为0.90。如果真实的AUC是0.88，那么模型更够准确的区分正常胸片样本和尘肺壹期胸片样本的AUC显著高于0.85(显著水平为0.05)。
对于N3例尘肺贰期胸片样本和N4例尘肺叁期胸片样本，计算的统计功效为0.77。如果真实的AUC是0.88，那么模型更够准确的区分正常胸片样本和尘肺壹期胸片样本的AUC显著高于0.85(显著水平为0.05)。
根据计算结果，收集数字化X射线(Digital Radiography，DR)胸片DICOM原图数据共N例，胸片质量3级以上(不含3级)，其中壹期胸片、贰期胸片各N2、N3例，叁期胸片N4例，健康人DR胸片N1例，完全可以满足人工智能筛查尘肺病系统的需要。
(2)标注特征
1)依据《职业性尘肺病诊断》(GBZ70-2015)，对人工选取的上述胸片进行尘肺病胸片的分区，即将胸片左右肺野分为6个区域；
2)依据《职业性尘肺病诊断》(GBZ70-2015)，对人工选取的上述胸片由人工进行每一区域的特征标注，具体特征标注为；
a.小阴影形态和大小：记录小阴影的形态和大小，分别用p、q、r、s、t、u标记或组合标注，如p/p、p/q、q/q、q/p、p/s、s/s、s/t、t/t、t/s等；
b.密集度：按三大级及十二小级分级标注，表示如下：0/-、0/0、0/1为0级；1/0、1/1、1/2为1级；2/1、2/2、2/3为2级；3/2、3/3、3/+为3级；
c.总体密集度：以4大级分级标注，表示如下：0、1、2、3级；
d.大阴影：用4表示，并标注所处肺区，同时在胸片上用红色线条画图标注；
e.小阴影聚集：用9表示，并标注所处肺区，同时在胸片上用绿色线条画图标注。
f.分布范围：将胸片中具有的上述特征分别在两肺野相应肺区标注，以表示分布范围。
(3)标注方法
1)将具有尘肺病诊断资格、高级职称、从事专业技术工作10年以上专家分为A、B两组，每组2人以上，各组分别独立读片，并用上述方法对每个肺区进行标注，诊断为尘肺及分期结果一致的胸片作为标准片；诊断结果不一致的胸片，随机再次分配给各组读片，诊断为尘肺及分期结果一致的胸片作为标准片；
2)对于两组读片结果不一致胸片，A组与B组共同读片，或另选同等条件的人工，即C组读片，诊断为尘肺及分期结果一致的作为标准片，认定未超过2/3一致的胸片剔除，每次读片间隔2周以上；
3)将标准片按分期结果分别存入计算机正常胸片标准数据库、壹期胸片标准数据库、贰期胸片标准数据库、叁期胸片标准数据库。
2、计算与建模：
采用深度学习方法之一的卷积神经网络，分别对正常胸片标准数据库、壹期胸片标准数据库、贰期胸片标准数据库、叁期胸片标准数据库中的胸片的特征标注，包括小阴影形态和大小、密集度、总体密集度、分布范围、大阴影、小阴影聚集等，进行学习训练，并建立人工智能筛查尘肺病模型。所述模型共包含3个组件：输入层、隐藏层和输出层；其中，输入层用于接受原始DICOM图像的输入,并传递给隐藏层。隐藏层可设置不同层数的神经元，或采用不同的排布结构，并最终将信号传递给输出层。输出层汇总隐藏层最后一层的信号，得出尘肺胸片分期的预测结果。
3、对尘肺病模型验证
(1)计算机录入用于验证的胸片，存入待查胸片数据库，计算机识别该胸片的特征，小阴影形态和大小、密集度、总体密集度、分布范围、大阴影、小阴影聚集，并分别存入待查胸片影像特征数据库；
(2)计算机将待查胸片影像特征数据库中该胸片的特征，输入筛查尘肺病初期模型，经计算，并给出诊断结果，生成具有上述数据的诊断报告；
(3)计算机将该待查胸片、诊断结果存入诊疗数据库。
(4)由具有尘肺病诊断资格、高级职称、从事专业技术工作10年以上专家，集体对计算得出的疑似尘肺病结果的胸片读片，将读片最终诊断与计算机输出诊断结果对比，进行验证，并统计分析：阴阳准确率(ACCscr)、灵感度(SEN)、特异度(SPE)、分期准确率(ACCsta)；具体的计算为：
1)指标为：真阴性(TN)、伪阴性(FN)、伪阳性(FP)、真阳性(TP)；
2)计算公式为：
(5)经上述统计分析，筛选准确率达到97％或以上，分期准确率达到80％或以上，灵敏度0.98，特异度0.97，验证结果：所建筛查尘肺病模型效果良好。
Claims (1)
1.一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法；人工智能系统包括计算机硬件系统及控制软件系统，计算机硬件系统包括中央处理器、存储器、输入输出控制系统；其特征在于所述方法包括以下步骤：
1）、基础数据库的建立：
（1）采用统计功效估计方法遴选DR（数字化X线摄影）胸片：选取DR正常胸片、壹期尘肺病胸片、贰期尘肺病胸片、叁期尘肺病胸片若干份；
（2）依据《职业性尘肺病诊断》，对选取的上述胸片进行分区，按两侧肺野6个肺区范围，将左肺野及右肺野，分别由肺尖至膈顶的垂直距离，用等分点的水平线把每侧肺野各分为上、中、下三个肺区，即将胸片左右肺野共分为6个区域；
（3）依据《职业性尘肺病诊断》，并对采用统计功效估计方法遴选的胸片，由人工进行每一区域的特征标注，具体特征标注为：
A、小阴影形态和大小：记录小阴影的形态和大小，分别用p、q、r、s、t、u标记或组合标注；
B、密集度：按三大级及十二小级分级标注，表示如下：0/-、0/0、0/1为0级；1/0、1/1、1/2为1级；2/1、2/2、2/3为2级；3/2、3/3、3/+为3级；
C、总体密集度：以4大级分级标注，表示如下：0、1、2、3级；
D、大阴影：用4表示，并标注所处肺区，同时在胸片上用红色线条画图标注；
E、小阴影聚集：用9表示，并标注所处肺区，同时在胸片上用绿色线条画图标注；
F、分布范围：将胸片中具有的上述特征，分别在两肺野相应肺区标注，以表示分布范围；
（4）人工标注：
采用并联与串联相结合方法，即双盲与集体读片方法读片标注，以提高标准片的精准性；
A、将人工分为A、B两组，每组2人以上，各组分别独立读片，并用上述特征对每个肺区进行标注，诊断为尘肺及分期结果一致的胸片作为标准片；诊断结果不一致的胸片，随机再次分配给各组读片，诊断为尘肺及分期结果一致的胸片作为标准片；
B、对于两组读片结果不一致胸片，A组与B组共同读片，或另选同等条件的人工，即C组读片，诊断为尘肺及分期结果一致的作为标准片，认定未超过2/3一致的胸片剔除，每次读片间隔2周以上；
C、将标准片按分期结果分别存入计算机正常胸片标准数据库、壹期胸片标准数据库、贰期胸片标准数据库、叁期胸片标准数据库；
2）、计算与建模
采用深度学习方法之一的卷积神经网络法，对DR胸片DICOM图像进行学习训练，包括正常胸片标准数据库、壹期胸片标准数据库、贰期胸片标准数据库、叁期胸片标准数据库中的特征标注，建立人工智能筛查尘肺病初级模型；
由于原规格胸片分辨率较低，首先使胸片规格调整变小，对胸片两肺野进行抠影，并分为6个区域，以提高胸片分辨率，胸片重新调整至原规格，便于计算机对图像的识别；
模型共包含3个组件：输入层、隐藏层和输出层；其中，输入层用于接受DR胸片DICOM图像的输入,并传递给隐藏层，最终将信号传递给输出层；最后得出尘肺病及分期的预测结果；
3）、对人工智能模型验证：
（1）计算机录入用于验证的胸片，计算识别该胸片的特征，小阴影形态和大小、密集度、总体密集度、分布范围、大阴影、小阴影聚集，并分别存入待查胸片数据库；
（2）计算机将待查胸片数据库中该胸片的特征，输入筛查尘肺病初级模型，经过计算得出结果，生成尘肺病及分期的诊断报告；
（3）筛查尘肺病初级模型计算运行结束后，将该待查胸片、诊断结果存入诊断数据库；
（4）由两人以上的人工对诊断数据库中的疑似尘肺病的胸片读片，将读片最终诊断与计算机输出诊断结果对比进行验证，分别统计分析：阴阳准确率ACCscr、灵感度SEN、特异度SPE、分期准确率ACCsta；具体的计算为：
A、指标为：真阴性（TN）、伪阴性（FN）、伪阳性（FP）、真阳性（TP）；
B、计算公式为：
……………(1)
……………(2)
……………(3)
……………(4)
……………(5)
……………(6)
……………(7)
（5）经上述统计分析，筛选尘肺病准确率达到97%或以上，分期准确率达到80%或以上，灵敏度0.98，特异度0.97，验证结果显示所建筛查尘肺病模型效果良好。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010626393.2A CN111816314B (zh) | 2020-07-01 | 2020-07-01 | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010626393.2A CN111816314B (zh) | 2020-07-01 | 2020-07-01 | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111816314A CN111816314A (zh) | 2020-10-23 |
| CN111816314B true CN111816314B (zh) | 2023-10-20 |
Family
ID=72855991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010626393.2A Active CN111816314B (zh) | 2020-07-01 | 2020-07-01 | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111816314B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112967805A (zh) * | 2021-02-03 | 2021-06-15 | 北京好欣晴移动医疗科技有限公司 | 抗疫医患心理健康筛查系统 |
| CN113393920A (zh) * | 2021-06-17 | 2021-09-14 | 李家松 | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 |
| CN114998203A (zh) * | 2022-04-27 | 2022-09-02 | 四川大学华西第四医院 | 一种基于人工智能的职业性尘肺病精准诊断系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108565020A (zh) * | 2018-04-25 | 2018-09-21 | 上海市肺科医院 | 一种尘肺病诊断专家系统 |
| CN108670285A (zh) * | 2018-06-05 | 2018-10-19 | 胡晓云 | 一种ct肺结核检测人工智能诊疗系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7221787B2 (en) * | 2002-12-10 | 2007-05-22 | Eastman Kodak Company | Method for automated analysis of digital chest radiographs |
-
2020
- 2020-07-01 CN CN202010626393.2A patent/CN111816314B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108565020A (zh) * | 2018-04-25 | 2018-09-21 | 上海市肺科医院 | 一种尘肺病诊断专家系统 |
| CN108670285A (zh) * | 2018-06-05 | 2018-10-19 | 胡晓云 | 一种ct肺结核检测人工智能诊疗系统 |
Non-Patent Citations (1)
| Title |
|---|
| 尘肺病数据标注规范与质量控制专家共识(2020年版);李涛;张建芳;孟祥峰;徐明;;环境与职业医学(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111816314A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111816314B (zh) | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 | |
| CN108389201A (zh) | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 | |
| CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
| CN108428229A (zh) | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 | |
| EP4064229A1 (en) | Artificial intelligence-based difficult airway evaluation method and device | |
| CN109447940A (zh) | 卷积神经网络训练方法、超声图像识别定位方法及系统 | |
| CN107280697A (zh) | 基于深度学习和数据融合的肺结节分级判定方法和系统 | |
| CN110097974A (zh) | 一种基于深度学习算法的鼻咽癌远端转移预测系统 | |
| CN111862075A (zh) | 一种基于深度学习的肺部图像分析系统及其分析方法 | |
| Tobias et al. | CNN-based deep learning model for chest X-ray health classification using tensorflow | |
| CN112419396B (zh) | 一种甲状腺超声视频自动分析方法与系统 | |
| CN114358194A (zh) | 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法 | |
| CN111598868B (zh) | 一种肺部超声图像识别方法和系统 | |
| CN112085113A (zh) | 一种重症肿瘤影像识别系统及方法 | |
| CN110378872A (zh) | 一种面向裂缝图像检测的多源自适应平衡迁移学习方法 | |
| CN114098779A (zh) | 尘肺病等级智能判别方法 | |
| CN109003259A (zh) | 基于纹线质量专家视觉认知机器学习的指纹质量评价方法 | |
| CN113052227A (zh) | 一种基于SE-ResNet的肺结核识别方法 | |
| CN108596868A (zh) | 一种基于深度学习的胸部dr中肺结节识别方法及系统 | |
| CN115579128A (zh) | 一种多模型特征增强疾病筛查系统 | |
| CN115471724A (zh) | 一种基于自适应归一化的细粒度鱼类疫病识别融合算法 | |
| Tobias et al. | Android Application for Chest X-ray Health Classification From a CNN Deep Learning TensorFlow Model | |
| WO2022000360A1 (zh) | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 | |
| CN110175989A (zh) | 影像数据处理方法及其装置 | |
| CN111428577A (zh) | 一种基于深度学习与视频放大技术的人脸活体判断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |