摘要
摘要目的构建基于卷积神经网络的甲状腺液基细胞学病理辅助诊断模型。方法收集700例甲状腺液基细胞学涂片，扫描成数字图像，经良、恶性标注后按比例分成训练集和测试集，噪声滤除后提取有效区域分别在10×和40×分割成512×512的小图像块，构建分类模型对训练集深度学习并对测试集自动判读，经数据增强和参数迭代优化，统计辅助诊断模型的准确率、灵敏度、特异度、阳性预测值和阴性预测值等评价指标。结果训练集560例含4 926个细胞团的11 164个图像块，测试集140例含977个细胞团的1 402个图像块，选取YOLO网络构建细胞团检测模型，用ResNet50作为分类模型，经过40轮迭代训练，10×倍率下准确率为90.01%，灵敏度89.31%，特异度92.51%，阳性预测值97.70%，阴性预测值70.82%，曲线下面积高达0.97，平均判读时间不足1 s。40×时虽极为灵敏（98.72%）但特异性较差，提示10×放大倍率下辅助诊断模型更为可靠。结论该辅助诊断模型与病理医师水平基本相当，且诊断效率远远超出。可大大提高阅片一致性和效率，降低漏诊率。未来可继续扩大样本量获取更多病变形态，提高准确率，达到临床应用水平。
出版日期
2021年04月09日（中国期刊网平台首次上网日期，不代表论文的发表时间）
