胸部X光摄影中疾病检测的影像组学与深度学习模型比较评估

人工智能（AI）在医学成像中的应用彻底改变了诊断实践，实现了对放射学数据的高级分析与解释。本研究对基于影像组学和基于深度学习的方法在胸部X光摄影中的疾病检测进行了全面评估，重点关注COVID-19、肺部阴影和病毒性肺炎。深度学习模型，特别是卷积神经网络和视觉Transformer，直接从图像数据中学习，而基于影像组学的模型则提取手工特征，在数据受限的场景中具有潜在优势。我们系统比较了各种AI模型的诊断性能，包括用于影像组学的决策树、梯度提升、随机森林、支持向量机和多层感知器，并与InceptionV3、EfficientNetL和ConvNeXtXLarge等最先进的深度学习模型进行对比。性能在多种样本量下进行了评估。在24个样本时，EfficientNetL达到了0.839的AUC，优于SVM（AUC = 0.762）。在4000个样本时，InceptionV3达到了0.996的最高AUC，而随机森林为0.885。Scheirer-Ray-Hare检验证实了模型类型和样本量对所有指标具有显著的主效应和交互效应。采用Bonferroni校正的事后Mann-Whitney U检验进一步揭示了深度学习模型在大多数条件下具有一致的性能优势。这些发现为诊断AI中的模型选择提供了经统计验证的、数据驱动的建议。深度学习模型表现出更高的性能，且随着数据可用性的增加具有更好的可扩展性，而基于影像组学的模型在低数据场景中可能仍然有用。本研究通过为在不同临床环境中部署AI模型提供实用指导，填补了基于AI的诊断研究中的一个关键空白。