目的 探讨基于DenseNet 201深度迁移学习(DTL)模型在改善乳腺MRI乳腺影像报告和数据系统(BI-RADS)4类病变的细分类潜力.方法 以DenseNet 201神经网络为基础,对11 256幅良性组和5 448幅恶性组乳腺动态对比增强磁共振成像(DCE-MRI)图像建立DTL模型,将良性组、恶性组图像分别按照9:1随机分为训练集(良性组10 146幅,恶性组4 908幅)和测试集(良性组1 110幅,恶性组540幅).选取BI-RADS 4类患者81例作为验证集,所有患者乳腺病变均经病理证实,其中60例恶性,21例良性.每例患者选择10幅DCE-MRI增强图像进行验证,如果8幅图像归类正确则认定为此例患者归类正确.以验证集准确率、召回率、F1评分及受试者工作特征(ROC)曲线的曲线下面积(AUC)作为性能指标.结果 DTL模型在训练集和测试集的准确率均为100.00％.验证集准确率、召回率、F1评分及AUC分别为98.00％、0.98、0.98和0.97.21例良性病变中,DTL模型预测正确20例(占95.24％),预测恶性概率为3.50％～27.60％.60例恶性病变中,DTL模型预测正确58例(占96.67％),预测恶性概率为51.50％～93.60％.基于DenseNet 201的DTL模型与病理组织学在对乳腺MRI良恶性病变的分类诊断结果差异无统计学意义(P=0.859).结论 基于DenseNet 201的DTL模型可作为乳腺MRI BI-RADS 4类病变细分的有

作者：孟名柱；潘昌杰；张铭；何光远；沈栋

来源：实用放射学杂志 2023 年 39卷 1期