融合改进变分自编码器与影像组学的X光片肺部疾病筛查算法

计算机辅助技术在肺部疾病筛查方面已经取得显著成效，然而现有研究大多面向已知类型的疾病进行建模，对未知类型疾病极易带来误诊及漏诊风险，且主要以追求高准确率为目标，对误诊及漏诊未加以约束，导致其难以应用于实际临床场景。针对以上问题，该文提出更适用于临床的计算机辅助肺部疾病筛查目标，即保证零漏诊率的同时降低误诊率。为完成上述肺部疾病筛查目标，该文基于单类别分类思想提出改进变分自编码网络对肺部疾病初筛，并提取X光片图像的深度编码特征，接着，融合基于医生经验的影像组学特征以及深度学习特征之间的互补优势，构建一个集成学习模型，最终完成肺部疾病的筛查。在仅有正常X光片图像参与训练的情况下，提升了所构建模型的分类效果，降低了模型的漏诊率。实验结果AUC值为0.984 8±0.002 3,漏诊率为0时，误诊率降低至0.149 8±0.005 7,证明该方法可以有效达到该文的肺部疾病筛查目标。与此同时，对比了所构建的集成模型以及单独的深度学习模型的筛查效果，发现集成模型明显优于深度学习模型，进一步凸显了融合医生经验的有效性。