1.廣州市番禺中心醫(yī)院放射科（廣東 廣州 511400）

2.華南理工大學(xué)計算機(jī)學(xué)院（廣東 廣州 510640）

3.廣州市番禺區(qū)市橋醫(yī)院外科（廣東 廣州 511400）

何俊詩1 梁 鵬2 羅英華3 史瑞雪1姬智艷1 陳漢威1 黃 益1

MSCT孤立肺小結(jié)節(jié)的神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用研究分析*

1.廣州市番禺中心醫(yī)院放射科（廣東 廣州 511400）

2.華南理工大學(xué)計算機(jī)學(xué)院（廣東 廣州 510640）

3.廣州市番禺區(qū)市橋醫(yī)院外科（廣東 廣州 511400）

何俊詩1梁 鵬2羅英華3史瑞雪1姬智艷1陳漢威1黃 益1

目的 研究神經(jīng)網(wǎng)絡(luò)模型(SVM)在MSCT孤立肺小結(jié)節(jié)(SPN)良惡性判斷中的應(yīng)用。方法收集2000例經(jīng)病理證實(shí)的SPN臨床表現(xiàn)及影像學(xué)特征，采用SPSS 13.0統(tǒng)計學(xué)軟件將各觀察指標(biāo)進(jìn)行多因素回歸分析，與SPN病理相關(guān)指標(biāo)作為SVM分析參數(shù)，對1500例進(jìn)行訓(xùn)練，另對500例進(jìn)行預(yù)測，對照病理結(jié)果分析。結(jié)果與病理對照，500例SVM中良性正確預(yù)測238(98.5%)例，錯誤預(yù)測4(1.5%)例；惡性正確預(yù)測250(97%)例，錯誤預(yù)測8(3%)例。結(jié)論SVM能有效地對SPN良惡性進(jìn)行較精確的預(yù)測，對醫(yī)生正確診斷有很好的幫助。

孤立性肺小結(jié)節(jié)；MSCT；計算機(jī)；神經(jīng)網(wǎng)絡(luò)模型

對孤立性肺小結(jié)節(jié)(SPN)定性診斷的研究一直是影像學(xué)診斷的熱點(diǎn)和難點(diǎn)。SPN螺旋CT征象較多，每一征象其良惡性相關(guān)的程度不同。本研究針對這方面，分別收集六家大醫(yī)院近年的MSCT孤立肺小結(jié)節(jié)的征象和臨床資料，采用SPSS 13.0統(tǒng)計學(xué)軟件將各觀察指標(biāo)進(jìn)行多因素回歸分析，建立神經(jīng)網(wǎng)絡(luò)模型（SVM），并與病理結(jié)果進(jìn)行分析比較。

資料及方法

1.1 一般資料2007年1月-2010年8月六家大醫(yī)院收治的肺孤立結(jié)節(jié)(SPN)患者，均進(jìn)行胸部螺旋CT或HRCT掃描。收集2000例肺孤立結(jié)節(jié)的臨床表現(xiàn)及影像學(xué)特征。其中男1074例,女926例；年齡31～73歲,平均52.3歲。惡性1038例,良性962例。

1.2 觀察指標(biāo)（1）性別；(2)年齡：>40歲，≤40歲；（3）位置：上葉、中/舌葉、下葉；（4）形態(tài)：不規(guī)則、圓形、類圓形；（4）邊緣：模糊、清晰；（5）分葉：淺分葉、深分葉、無分葉（6）棘狀突起：無突起、有突起；（7）毛刺：無毛刺、短毛刺、長毛刺；（8）血管集束：無集束、有集束；（9）衛(wèi)星灶：有衛(wèi)星灶、無衛(wèi)星灶；（10）胸膜凹陷：無凹陷、有凹陷；（11）密度：不均勻、均勻；（12）空泡征：無空泡、有空泡；（13）空洞位置：無空洞、近心端、中心、遠(yuǎn)心端；（14）鈣化形態(tài)：斑片狀、細(xì)小點(diǎn)狀、無鈣化；（15）鈣化位置：無鈣化、彌漫性、偏心、中心；（16）臨床癥狀：無癥狀、咳嗽咳痰、胸痛、胸痛咳嗽咳痰；（17）病理：惡性、良性。對上述觀察指標(biāo)進(jìn)行量化分級賦值。見表1。

1.3 各觀察指標(biāo)的比例及量化賦值見表2。

1.4 統(tǒng)計學(xué)處理采用SPSS 13.0統(tǒng)計學(xué)軟件將各觀察指標(biāo)進(jìn)行多因素回歸分析，計算出回歸系數(shù)B、標(biāo)準(zhǔn)誤差、F值、t值、顯著性概率，找出與SPN良惡性相關(guān)的觀察指標(biāo)進(jìn)行下一步分析。

1.5 神經(jīng)網(wǎng)絡(luò)(SVM)預(yù)測采用SVM對1500例進(jìn)行訓(xùn)練，另對剩下的500例進(jìn)行預(yù)測，與病理結(jié)果進(jìn)行對比分析。

結(jié) 果

方差分析顯示，該模型的F值是643.772，顯著性概率<0.001，表示回歸極其顯著，即觀察指標(biāo)與SPN病理結(jié)果之間相關(guān)性很大。

回歸系數(shù)結(jié)果顯示， SPN良惡性與年齡(X1)、分葉(X6)、位置(X3)、密度(X12)、空泡征(X13)等指標(biāo)顯著負(fù)相關(guān)，其回歸系數(shù)分別是-0.108、-0.555、-0.077、-0.137、-0.251，與形狀(X4)、邊緣(X5)、血管集束(X9)、衛(wèi)星灶(X10)、胸膜凹陷(X11)等指標(biāo)顯著正相關(guān)，其回歸系數(shù)分別是0.039、0.161、0.041、0.027、0.036。表示上述觀察指標(biāo)與SPN的良惡性密切相關(guān)。

2.3 神經(jīng)網(wǎng)絡(luò)(SVM)預(yù)測根據(jù)上述對觀察指標(biāo)的分析，我們對顯著相關(guān)的指標(biāo)進(jìn)行預(yù)測訓(xùn)練：年齡(X1)、位置(X3)、形狀(X4)、邊緣(X5)、分葉(X6)、血管集束(X9)、衛(wèi)星灶(X10)、胸膜凹陷(X11)、密度(X12)、空泡征(X13)等。

SVM模型的輸入是觀察指標(biāo)的集合：

經(jīng)SVM模型預(yù)測后，結(jié)果y=0，則表示該病例是惡性；如果y=1，則表示該病例是良性。根據(jù)預(yù)測結(jié)果與病理結(jié)果進(jìn)行比較，得到SVM模型預(yù)測的準(zhǔn)確率和錯誤率（如表3）。

用1500例病例進(jìn)行SVM模型訓(xùn)練，剩下的500例病例（258例惡性、242例良性）用于預(yù)測實(shí)驗(yàn)。SVM的分類結(jié)果如表4所示，其中良性正確預(yù)測的是238 (98.5%)例，錯誤預(yù)測的是4(1.5%)例；惡性正確預(yù)測的是250(97%)例，錯誤預(yù)測是8(3%)例。

討 論

SPN螺旋CT征象較多，每一征象其良惡性相關(guān)的程度不同，文獻(xiàn)報道多種鑒別方法。李復(fù)等[1]采用最大似然法對SPN的HRCT影像學(xué)征象進(jìn)行分類統(tǒng)計分析，將其各種征象轉(zhuǎn)化為記分值，以數(shù)值的大小來判定肺結(jié)節(jié)所屬的類型。周旭輝等[2]采用正向概率判別法進(jìn)行肺結(jié)節(jié)病灶常見的CT征象進(jìn)行分析總結(jié)，并轉(zhuǎn)化為概率值后判定結(jié)節(jié)的性質(zhì)。Wormanns D.等[3]對SPN的CT征象進(jìn)行X2檢驗(yàn)分析。魏穎等[4]研究肺癌感興趣區(qū)域(ROI)的特征提取與分類方法，采用概率分布可分性對原始提取特征進(jìn)行特征選擇，利用SVM對選擇的特征進(jìn)行定量描述，采用特征量化參數(shù)對Mahalanobis距離進(jìn)行加權(quán)改進(jìn)。

表1 SPN相關(guān)觀察指標(biāo)量化賦值

表2 各觀察指標(biāo)的比例及量化賦值

本組前期研究[5]的“肺孤立小結(jié)節(jié)良惡性鑒別系統(tǒng)”中，由于樣本量相對少，對觀察指標(biāo)的分析有一定的影響。本組本次大樣本資料研究顯示，各種觀察指標(biāo)中，其與SPN良惡性相關(guān)非線性關(guān)系，且某些指標(biāo)相關(guān)性不大。故本組研究采用SPSS 13.0統(tǒng)計學(xué)軟件將各觀察指標(biāo)進(jìn)行多因素回歸分析，計算出回歸系數(shù)B、標(biāo)準(zhǔn)誤差、F值、t值、顯著性概率，找出與SPN良惡性相關(guān)的觀察指標(biāo)進(jìn)行神經(jīng)網(wǎng)絡(luò)（SVM）預(yù)測分析。發(fā)現(xiàn)SPN良惡性與年齡(X1)、分葉(X6)、位置(X3)、密度(X12)、空泡征(X13)等指標(biāo)顯著負(fù)相關(guān)，與形狀(X4)、邊緣(X5)、血管集束(X9)、衛(wèi)星灶(X10)、胸膜凹陷(X11)等指標(biāo)顯著正相關(guān)，表示上述觀察指標(biāo)與SPN的良惡性密切相關(guān)。相關(guān)系數(shù)的絕對值越大，關(guān)系越密切，從表3可以看出，分葉(X6)、空泡征(X13)、邊緣(X5)、密度(X12)的相關(guān)系數(shù)的絕對值較其他指標(biāo)大，表示其與SPN的良惡性關(guān)系越密切，這與文獻(xiàn)報道較接近[1、2、6]。本次研究發(fā)現(xiàn)各觀察指標(biāo)與SPN良惡性相關(guān)非線性關(guān)系，進(jìn)一步修正前期研究的結(jié)果，使本次預(yù)測分析更準(zhǔn)確。

表3 預(yù)測結(jié)果

本組研究采用神經(jīng)網(wǎng)絡(luò)模型――支持向量機(jī)(Support Vector Machines -SVM)進(jìn)行SPN良惡性預(yù)測。神經(jīng)網(wǎng)絡(luò)模型是近年來在模式識別與機(jī)器學(xué)習(xí)領(lǐng)域中出現(xiàn)的新工具，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他問題中。目前在醫(yī)學(xué)領(lǐng)域中已在胸部診斷、肺癌診斷、胃癌診斷、肝癌CT診斷等多方面應(yīng)用神經(jīng)網(wǎng)絡(luò)模型輔助診斷[7-10]，隨著數(shù)字圖像處理技術(shù)、模式識別技術(shù)以及機(jī)器學(xué)習(xí)技術(shù)的不斷成熟,SVM的應(yīng)用,不僅在一定程度上給臨床醫(yī)生一定的指導(dǎo),而且減少了低年資醫(yī)生漏診、誤診的發(fā)生,提高了診斷正確率。

本組研究用1500例病例進(jìn)行SVM模型訓(xùn)練，剩下的500例病例（258例惡性、242例良性）用于預(yù)測實(shí)驗(yàn)。SVM的分類結(jié)果中良性正確預(yù)測的是238(98.5%)例，錯誤預(yù)測的是4(1.5%)例；惡性正確預(yù)測的是250(97%)例，錯誤預(yù)測是8(3%)例。本研究MSCT孤立肺小結(jié)節(jié)神經(jīng)網(wǎng)絡(luò)模型預(yù)測實(shí)驗(yàn)表明，SVM能夠有效地對SPN良惡性程度進(jìn)行精確預(yù)測，幫助醫(yī)生對觀察指標(biāo)進(jìn)行判斷，能有效提高診斷正確率。

1.李復(fù),王淼淼,伍建林,等. 肺內(nèi)常見的孤立性肺結(jié)節(jié)鑒別診斷方法的探索研究——應(yīng)用最大似然法[J]. 中國CT和MRI雜志,2008,6(2):43-46.

2.周旭輝,李子平,譚國勝,等. 高分辨率CT正向概率判別法在肺結(jié)節(jié)鑒別診斷中的應(yīng)用研究[J]. 中華放射學(xué)雜志,2005,39(1):29-33.

3.Wormanns D.Diederich S.Characterization of Small Pulmonary Nodules by CT[J]. Eur Radiol,2004,14(8):1380-1383.

4.魏穎,郭薇,孫月芳. 面向肺癌CAD系統(tǒng)的感興趣區(qū)域特征選擇與分類算法[J]. 信息與控制,2008,36(4):445-452+458.

5.何俊詩,羅英華,郭桂明,等. 肺孤立小結(jié)節(jié)良惡性鑒別診斷計算機(jī)應(yīng)用軟件分析[J].中國誤診學(xué)雜志,2009,25(9):6103-6104.

6.李月河,趙志梅,全松石,等. 多層螺旋CT同層動態(tài)增強(qiáng)掃描對孤立性肺結(jié)節(jié)的診斷意義[J].臨床放射學(xué)雜志,2007,26(3):259-262.

7.苗延巍,伍建林. 人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)影像領(lǐng)域的應(yīng)用進(jìn)展[J].實(shí)用放射學(xué)雜志,2008.24(3):404-407.

8.楊鈞,周新華,馬大慶. 人工神經(jīng)網(wǎng)絡(luò)及其在胸部放射學(xué)中的應(yīng)用[J].中華放射學(xué)雜志,2004,38(2):96-98.

9.韓小宏,毛巧霞,李曉春,等. 基于生物信息學(xué)方法的血清標(biāo)記物模型在胃癌診斷中應(yīng)用[J]. 中國癌癥雜志,2010,20(5):364-368.

10.張波,張治英,徐德忠,等. 人工神經(jīng)網(wǎng)絡(luò)肝癌CT影像輔助診斷模型的建立.實(shí)用放射學(xué)雜志[J]. 2006,22(9):1079-1082.

The Study of Application Analysis of SVM in SPN During MSCT Scanning*

HE Jun-shi1, LIANG Peng2, LUO Ying-hua3, et al. 1.Department of Radiology, Central Hospital, Panyu District, Guangzhou 511400; 2.Computer Institute, South China University of Technology Guangzhou 510640; 3.Surgery Department, Shiqiao Hospital, Panyu District, Guangzhou 511400

ObjectiveTo study the application of SVM in differential diagnosis of benign and malignant SPN.MethodClinical and imaging characteristics of 2000 SPN cases confirmed by pathology were collected. The SPSS 13.0 system was applied to analyze the data Multiple Regression Analysis on all observed indexes. We used pathological relative index of SPN as analysis parameters of SVM.1500 cases were trained and 500 were predicted. It was analyzed comparing with the pathological results.ResultsResult of 500 SVM cases were correlated with pathology, of which correct prediction were 238 cases (98.5%) and false prediction 4 cases (1.5%) in benign while correct prediction were 250 cases (97%) and false prediction 8(3%) in malignant respectively.ConclusionsSVM can accurately forecast benign and malignant SPN and it is very helpful to doctor’s accurate diagnosis.

SPN; MSCT; Computer; SVM

R563；R814.4

A

廣州市番禺區(qū)科技局（編號：2009-Z-92-1）

10.3969/j.issn.1672-5131.2011.06.013

何俊詩，女，醫(yī)學(xué)影像專業(yè)，副主任醫(yī)師，主要研究方向?yàn)獒t(yī)學(xué)影像診斷。

何俊詩

2011-10-21