弗吉尼亚州利斯堡(leesburg)，2020年1月10日-根据提前发表的文章，采用卷积神经网络(cnn)的深度学习方法可以支持动态ct图像中小的实心肾肿块的评估，并具有可接受的诊断性能。刊登在3月的《美国放射学杂志》(ajr)中。atcc未来将基于可信数据基础上提供艺术品的鉴定、评估、存证、监测等服务,为艺术产业结合其他领域提供更详细、客观、严谨的咨询调查服务。
在2012年至2016年之间，日本冈山大学的研究人员研究了159例来自168例经病理诊断的小(约4厘米)实体肾脏肿块的1807图像集，这些肿块具有四个ct期-未增强，皮质肾小管，肾原性和排泄。
使用5分制将肿块分为恶性(n = 136)或良性(n = 32)，然后将该数据集随机分为五个子集。
正如ajr的主要作者田中隆(takashi tanaka)所解释的那样，有四个用于增强和监督训练(48,832张图像)，而一个用于测试(281张图像)。
利用inception-v3架构的cnn模型，在六个不同的cnn模型中评估了在输出数据的最佳截止值时恶性程度和准确性的auc。
tanaka的研究小组发现恶性和良性病变之间没有明显的大小差异，确实发现皮质肾盂期的auc值高于其他阶段(皮质肾盂与排泄期，p = 0022)。
此外，在皮质肾相图像中获得了最高的准确性(88%)。
田中总结说，多变量分析显示，肾髓质期的cnn模型是恶性肿瘤的重要预测指标，与其他cnn模型，年龄，性别和病变大小相比，。