Page 60 - 《应用声学》2021年第1期

56 2021 年 1 月

使用人工神经网络统合所有的组织定征参数，
2 结果
表 2 是对 155 例样本进行良恶性分类的结果，其中
表 1 是各个组织定征参数在 155 例样本中的分 70% 的样本 (109 例) 被划分为训练集，各 15% 的样
布范围，以平均值 ± 标准差的形式表示。其中参考 本 (各 23 例) 被划分为验证集和测试集。以敏感度
区域选取的是结节附近相同大小不包含结节的正 表示恶性结节的检出概率，以特异性表示良性结节
常组织。分别在结节和参考区之间、良性与恶性结 的检出概率。在训练集上，网络达到了 89.8% 的敏
节之间使用双样本 t 检验 (p < 0.05 时视为有显著 感度、94.0% 的特异性、91.7% 的准确率；在验证集
差异)。结果显示，结节与不包含结节的正常区域之 上，敏感度、特异性、准确率均为100%；在测试集上，
间、良性和恶性两类结节之间，各项参数均具有统 敏感度为 100%，特异性为 90.6%，准确率为 95.7%。
计学差异。 所有样本敏感度为 93.2%，特异性为 94.0%，而准确
该结果表明，所选取的组织定征参数能有效 率为93.5%。
反映甲状腺结节引起的组织异变，且恶性结节引 基于上述结果，本文认为所有的组织定征参数
发的异变相比于良性结节更大：恶性结节有着 在训练过程中都存在自身的贡献，并非单一某个参
较低的香农熵、加权熵、Nakagami-m 和较高的峰 数的作用。为了验证这一推断，本文将单个参数分
度，与之相反，不包含结节的正常组织，其香农 布作为输入量，使用人工神经网络进行分类并记录
熵、加权熵和 Nakagami-m 较高，峰度较低，而良 了结果，如表3 所示，仅将单参数作为输入量进行训
性结节的各项参数正好介于恶性结节与正常组织 练时，其敏感度、特异性和准确率和表 2中的结果相
之间。 比均有不同程度的下降。

表 1 灰度和组织定征参数的分布范围
Table 1 Distribution range of grayscale and tissue characterization parameters

平均值 ± 标准差 t 检验 (是否存在差异)
参数
恶性 良性 参考区域 结节与参考区 恶性与良性
灰度 4.95 ± 2.42 6.66 ± 2.87 10.72 ± 3.36 是 是
香农熵 2.40 ± 1.34 3.12 ± 1.30 4.39 ± 0.50 是 是
加权熵 0.98 ± 0.53 1.24 ± 0.48 1.68 ± 0.14 是 是
Nakagami-m 0.32 ± 0.20 0.42 ± 0.19 0.61 ± 0.07 是 是
峰度 8.49 ± 6.58 6.32 ± 5.07 3.03 ± 1.07 是 是

表 2 人工神经网络训练结果
Table 2 Artificial neural network training results

训练集 验证集 测试集 所有样本
良性 恶性 良性 恶性 良性 恶性 良性 恶性
判断为良性 47 6 7 0 9 0 63 6
判断为恶性 3 53 0 16 1 13 4 82
总计 50 59 7 16 10 13 67 88
敏感度 89.8% 100% 100% 93.2%
特异性 94.0% 100% 90.0% 94.0%
准确率 91.7% 100% 95.7% 93.5%