基于注意力机制增强的深度学习用于计算机断层扫描的特发性肺纤维化鉴别诊断

《Current Medical Imaging》：Attention Mechanism-enhanced Deep Learning for the Differential Diagnosis of Idiopathic Pulmonary Fibrosis on Computed Tomography

　　

摘要

引言/目的：许多其他疾病也可产生相似的影像模式，因此特发性肺纤维化（IPF）的诊断是通过排除法得出的，即基于不存在其他替代性病理改变。为了将IPF与其他病理区分开来，本研究开发了一种结合注意力机制的深度学习方法，以改善模型性能。

方法：本回顾性、单中心研究纳入了96例患者（46例IPF和50例非IPF），其高分辨率CT（HRCT）显示典型UIP模式。数据在患者层面按分层随机化方法（随机种子=42）分为训练集（70%）、验证集（15%）和测试集（15%）。在VGG-16的每个卷积阶段之后引入了压缩与激励（SE）模块，以实现通道级特征重标定。模型采用AdamW优化器进行训练（学习率=1×10??，批大小=32，50个epoch，早停耐心值为7），数据增强仅应用于训练集。测试预测由原始、未经增强的切片生成，患者层面的标签通过多数投票法确定。事后应用了梯度加权类激活映射（Grad-CAM）进行热力图可视化。模型性能通过准确率、敏感性、特异性、F1值、曲线下面积（AUC）和Cohen's kappa系数进行评估。

结果：SE-VGG-16模型在患者层面的准确率为87.2%，敏感性为86.1%，特异性为88.4%，F1值为0.870，AUC为0.91。消融研究证明，相比基线VGG-16，准确率提高了4.1%。Grad-CAM热力图始终突出显示了胸膜下网状不透明影和蜂窝样改变区域，与既定的放射学标准一致。

讨论：本研究已成功以高度准确率将IPF与其他间质性肺病区分开来。尽管文献中关于IPF鉴别诊断的研究众多，但关于深度学习以及将深度学习与注意力图相结合的研究却相当有限。与传统深度学习模型不同，注意力机制的使用使模型能够聚焦于病理区域，从而产生更可靠的结果。研究结果提出了一种潜在的方法，可用于临床决策支持系统。

结论：仅基于放射学图像，注意力增强的VGG-16模型在IPF鉴别诊断中实现了高准确率。

关键词： 深度学习，注意力机制，特发性肺纤维化（IPF），寻常型间质性肺炎（UIP）模式，肺部疾病，肺纤维化。