胡莎莎，朱永北，董 迪，王 蓓，王 馳，周作福，徐保平，劉秀云，彭 蕓*

(1.國家兒童醫(yī)學中心 首都醫(yī)科大學附屬北京兒童醫(yī)院影像中心，5.呼吸科，北京 100045；2.北京航空航天大學醫(yī)學科學與工程學院，北京 100191；3.中國科學院自動化研究所，北京 100190；4.福建省婦幼保健院放射科，福建 福州 350000)

肺炎是全球范圍內兒童住院和死亡的主要原因，每年有近1.2億新發(fā)病例和100萬兒童死亡[1]；兒童社區(qū)獲得性肺炎(community acquired pneumonia，CAP)占全世界5歲以下兒童死亡總數的16%[2]。CAP常見病原為病毒、細菌和肺炎支原體(mycoplasma pneumoniae，MP)，針對不同病原體治療方法亦有所不同。胸部X線攝影是影像學檢查呼吸系統疾病的主要方法之一[3]，診斷兒童CAP的挑戰(zhàn)在于臨床癥狀、炎癥標志物和放射學征象雖可在一定程度上提示病原體，但并不能完全區(qū)分[4-5]?；谏疃葘W習(deep learning，DL)的人工智能算法已逐漸用于識別及診斷胸部病變[6-9]。本研究評價以胸部X線片訓練卷積神經網絡(convolutional neural network，CNN)模型診斷兒童不同病原CAP的價值。

1 資料與方法

1.1 研究對象 回顧性分析2013年1月—2018年12月1 769例于首都醫(yī)科大學附屬北京兒童醫(yī)院臨床診斷的CAP患兒，男1 107例，女662例，年齡10天～18歲，平均(3.3±3.1)歲；根據病原學診斷分為病毒組(n=487)、細菌組(n=496)及MP組(n=786)。排除標準：①合并其他局部或全身性疾病；②胸部X線片質量不佳。檢查前患兒家屬均簽署知情同意書。

1.2 儀器與方法 采用Kodak Healthineers DR7500全數字化X線攝影系統，行站立后前位或前后位投照或仰臥位投照；靶片距100～160 cm，根據患兒年齡及體質量設定曝光條件。

1.3 圖像分析 由2名具有5年以上工作經驗的影像科醫(yī)師在不知曉病原學診斷的情況下獨立閱片，觀察病變部位及密度特點，并記錄是否出現空洞、胸腔積液、胸膜增厚或肺過度通氣情況等，意見不一致時經協商達成一致。向XLSorDL卷積模型[10]輸入胸部X線片，系統自動提取雙肺輪廓進行分割，并將分割出的雙肺定義為全肺ROI(圖1)。采用ITK-SNAP軟件沿邊緣手動勾畫病變區(qū)域，系統自動根據手動分割邊界框裁剪病變區(qū)域，得到病灶ROI(圖2)。

圖1 患兒男，2歲，病毒性肺炎 A.胸部正位片；B、C.系統自動提取(B)雙肺輪廓并分割(C)；D.獲取全肺ROI

圖2 患兒男，4歲，病毒性肺炎 A.胸部正位片；B.手動勾畫病變區(qū)域；C.系統自動分割病變區(qū)域；D.獲取病灶ROI

1.4 模型選擇與訓練 將數據隨機以7∶1∶2比例分為訓練集、驗證集和測試集；各數據集再分為病毒亞組、細菌亞組及MP亞組。將測試集按性別分為男性亞組和女性亞組、以年齡中位數為分界線分為高年齡亞組和低年齡亞組，以Pytorch平臺分別基于訓練集和驗證集全肺ROI和病灶ROI數據訓練全肺模型和局部模型：采用標準Densenet模型，將全肺ROI調整為224×224，病灶ROI調整為160×160，以最小批量為32的Adam算法優(yōu)化模型，學習速率設置為0.001，動量系數設置為0.9。

1.5 統計學分析 采用Python統計包Scipy.stats進行統計分析，以±s表示計量資料，組間比較采用方差分析；以頻數表示計數資料，組間比較采用χ2檢驗。采用混淆矩陣計算模型對于測試集的準確率、精確度，評估模型整體效能；繪制受試者工作特征(receiver operating characteristic，ROC)曲線，計算曲線下面積(area under the curve，AUC)，評估模型診斷測試集不同病原體CAP的效能，AUC≤0.7為效能較低，0.70.9為效能較高。以Delong檢驗評價各模型診斷效能的差異。P<0.05為差異有統計學意義。

2 結果

2.1 一般資料 訓練集、驗證集與測試集各亞組患兒性別及年齡差異均有統計學意義(P均<0.05)，見表1。

表1 不同病原體CAP患兒一般資料比較

2.2 X線征象 3組間病變累及范圍差異有統計學意義(P<0.05)，病毒組多累及雙肺，MP組多累及單側肺；受累肺組織密度改變特點差異有統計學意義(P<0.05)；病毒組出現肺過度通氣者、細菌組出現空洞者明顯多于其余2組(P均<0.05)；3組胸腔積液及胸膜增厚差異均無統計學意義(P均>0.05)。見表2。

表2 兒童不同病原體CAP胸部X線征象比較

2.3 診斷效能 全肺模型診斷不同病原CAP的準確率和精確度分別為61.85%、63.77%，局部模型診斷準確率和精確度分別為58.04%、54.05%。全肺模型診斷病毒性和細菌性CAP效能較高，AUC明顯高于局部模型(P均<0.01)；局部模型診斷MP性CAP效能較高，但其AUC與全肺模型差異無統計學意義(P=0.14)，見表3。

表3 CNN模型預測兒童不同病原體CAP的效能

2.4 分層分析 全肺模型和局部模型診斷測試集男性亞組和女性亞組不同病原CAP的AUC差異均無統計學意義(P均>0.05)。2種模型診斷高年齡亞組和低年齡亞組病毒及細菌性CAP的AUC差異均無統計學意義(P均>0.05)，而診斷MP性CAP的AUC差異均有統計學意義(P均<0.05)。見表4。

表4 CNN模型診斷兒童不同病原體CAP分層分析AUC比較

3 討論

兒童CAP早期胸部X線片可出現明顯異常征象，此時臨床癥狀及肺部體征可能并不明顯，胸部X線片雖無法做出具體病原學診斷，但有助于縮小診斷范圍。本研究基于CAP患兒胸部X線征象建立CNN模型，以診斷兒童不同病原CAP。

不同病原CAP胸部X線表現有所不同。病毒性CAP多呈間質性改變，細菌性CAP多以實質性改變?yōu)橹?，但二者亦有重疊而較難區(qū)分。MP性CAP病變多局限于氣道壁、甚至小氣道和呼吸性細支氣管，胸片可見支氣管周圍浸潤、網狀結節(jié)、斑片狀和局灶性實變[11-12]，但僅據X線平片較難鑒別。

參照既往文獻[3]報道，本研究采用基于CNN的算法，利用一組神經元對給定圖像進行卷積，并從中提取相關特征，以處理CAP分類問題。YUE等[13-14]通過DL模型區(qū)分正常與CAP胸部X線片，所獲診斷結果可媲美影像科醫(yī)師。本研究采用DL算法自胸部X線片中挖掘具有價值的特征，以鑒別兒童CAP的病原體，并優(yōu)化出2種模型，其中全肺模型的整體診斷效能優(yōu)于局部模型，其診斷病毒性和細菌性CAP的效能較高，而局部模型診斷MP性CAP效能較高，但與全肺模型差異無統計學意義(P>0.05)，提示胸部X線片整體可能包含與特定疾病相關的影像學特征，而不僅僅是病變部位。胸部X線片中CAP可表現為全肺或部分肺葉實變合并支氣管擴張、胸腔積液或間質浸潤等[14]，而手動勾畫病灶時多選擇病變嚴重且明顯的區(qū)域，具有主觀性，導致全肺模型的診斷效能更佳。本研究對測試集按照性別和年齡進行分層分析，發(fā)現2種模型僅診斷高年齡亞組和低年齡亞組MP性CAP的AUC存在差異，可能與患兒平均年齡較大有關。

本研究的局限性：①CAP病原學分類未涉及結核、真菌等其他病原體；②為單中心、回顧性研究，可能存在數據偏倚。

綜上所述，基于胸部X線片建立CNN模型診斷兒童不同病原體CAP具有可行性，對指導臨床用藥、降低兒童肺炎死亡率具有重要意義。