莫琦嵐, 張水興

(暨南大學(xué) 附屬第一醫(yī)院 影像科， 廣東 廣州 510632)

新生兒肺炎是新生兒期最常見(jiàn)的感染性疾病，發(fā)病率及死亡率較高。每年全世界有 4 百萬(wàn)的新生兒死亡， 75%發(fā)生在生后第 1 周內(nèi)，1/3以上的新生兒死于敗血癥或肺炎。盡管使用了有效的抗生素和支持治療，新生兒感染的死亡率仍接近 25%。2005年中國(guó)住院新生兒中肺炎占 46.2%[1]。新生兒肺炎以彌漫性肺部病變及不典型的臨床表現(xiàn)為其特點(diǎn)，需要及早診斷和正確處理。新生兒肺炎x線胸片可表現(xiàn)為實(shí)質(zhì)型、間質(zhì)型和混合型。肺炎相關(guān)影像檢查中，CT(computed tomography) 檢查相對(duì)幼兒較有較大輻射損害[2],X線胸片檢查是診斷新生兒肺炎最常用的手段, 能較快診斷是否患有新生兒肺炎[3-4]。Ma等[5]研究也表明成人與兒童患同種肺炎時(shí)在實(shí)驗(yàn)室檢查結(jié)果和特征方面都與新生兒肺炎存在一定的差異。與成人肺炎和兒童肺炎的影像研究相比，目前關(guān)于新生兒肺炎相關(guān)影像組學(xué)與人工智能的研究尚少見(jiàn)。

近年來(lái)，人工智能學(xué)習(xí)技術(shù)在圖像處理方面取得了巨大進(jìn)展，尤其是基于深度學(xué)習(xí)下的醫(yī)學(xué)影像分割算法逐漸成為該領(lǐng)域研究的重點(diǎn)和熱點(diǎn)[6]。本研究通過(guò)ResNet50[7-8]網(wǎng)絡(luò)對(duì)新生兒肺炎的胸片分類進(jìn)行深度學(xué)習(xí)訓(xùn)練，建模出能夠從X線胸片中輔助診斷新生兒肺炎的模型[9-10]。ResNet50是一種卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)[11-12]模型，CNN模型的設(shè)計(jì)初衷是為了圖像分類識(shí)別，在許多識(shí)別任務(wù)中已經(jīng)趕上甚至超越人類的水平[13-14]。一般來(lái)說(shuō)，更多的圖像可能有助于更好地訓(xùn)練和驗(yàn)證復(fù)雜的深度學(xué)習(xí)模型的性能。然而由于梯度爆炸[15]與梯度消失[16]以及訓(xùn)練數(shù)據(jù)的缺乏，很難使網(wǎng)絡(luò)在更深入時(shí)訓(xùn)練收斂。事實(shí)上，在一些醫(yī)學(xué)圖像分析應(yīng)用程序中，常見(jiàn)的做法是必須使用一個(gè)相對(duì)較小的數(shù)據(jù)集[17]。本研究采用的是單中心相對(duì)較小的數(shù)據(jù)集，因此充分利用現(xiàn)在擁有的CNN功能是很重要的。此模型通過(guò)殘差連接構(gòu)造出深度學(xué)習(xí)網(wǎng)絡(luò)，能夠避免深度連接導(dǎo)致的梯度爆炸與梯度消失。在模型層數(shù)很深的情況下，有更穩(wěn)定的梯度傳導(dǎo)，因而可以提取到更高層、更抽象的語(yǔ)義特征，進(jìn)而可得到更好的訓(xùn)練結(jié)果。除此之外，ResNet50 在生物醫(yī)學(xué)圖像中取得了成功[18]，可通過(guò)使用更少的數(shù)據(jù)集來(lái)訓(xùn)練數(shù)據(jù)，減少計(jì)算的成本。而且，在眾多影像組學(xué)與人工智能分類的研究中，相比其他深度學(xué)習(xí)算法，ResNet50在影像組學(xué)分類中都有較突出的表現(xiàn)[19-21]，這些因素就是本研究選用ResNet50神經(jīng)網(wǎng)絡(luò)的原因。

1 材料與方法

1.1 研究對(duì)象

回顧性收集2018年1月至2021年9月期間就診于暨南大學(xué)附屬第一醫(yī)院并行新生兒胸片檢查的病例資料。該研究已獲得暨南大學(xué)醫(yī)學(xué)倫理委員會(huì)批準(zhǔn)(批件號(hào)：KYk-2022-010)。納入標(biāo)準(zhǔn)：(1)病例出生年齡在1個(gè)月以內(nèi)的新生兒；(2)拍攝新生兒胸片為正位片；(3)圖片能清晰顯示整個(gè)肺野；(4)新生兒胸片照射范圍內(nèi)無(wú)明顯 異物遮擋。排除標(biāo)準(zhǔn)：(1)病例出生年齡超過(guò) 1個(gè)月的患兒；(2)除肺炎外還有其他肺部疾病的；(3) 新生兒胸片體位不正使兩邊肺野不對(duì)稱，且一側(cè)被心臟遮擋面積過(guò)半的；(4)胸部有明顯高密度異物影遮擋超10%的胸片。根據(jù)上述標(biāo)準(zhǔn)共選取336例，其中176例診斷為新生兒肺炎，160例肺部胸片正常，其中男性占比51.48%， 女性占比48.52%，出生年齡在0～1月之間，平均出生年齡在半個(gè)月內(nèi)，且均為城市居民。

1.2 研究方法

1.2.1 X線胸片檢查及分組

所有納入觀察的X線片均為胸部正位片，采用銳珂數(shù)字化移動(dòng)式攝影X射線機(jī)(Carestream DRXR51)及數(shù)字化DR X線機(jī)(Carestream DR3000)進(jìn)行檢查。讓患者仰臥，攝影范圍根據(jù)臨床需要決定。攝影條件為50～55 kV，0.8～1 mAs，所攝影圖像傳入PACS(picture archiving and communication systems)系統(tǒng)的工作站。將從PACS系統(tǒng)工作站導(dǎo)出所選共336例圖片,其中176例新生兒肺炎的胸片作為實(shí)驗(yàn)組，160例肺部正常的胸片作為對(duì)照組。再隨機(jī)按8∶1∶1的比例分成訓(xùn)練組、測(cè)試組和驗(yàn)證組。用ResNet50神經(jīng)網(wǎng)絡(luò)開(kāi)源模塊對(duì)選取的胸片圖像進(jìn)行特征提取并進(jìn)行網(wǎng)絡(luò)訓(xùn)練與建模。

1.2.2 圖像數(shù)據(jù)集

對(duì)訓(xùn)練集圖像進(jìn)行數(shù)據(jù)處理，包括圖像隨機(jī)旋轉(zhuǎn)0～10°、隨機(jī)反轉(zhuǎn)、隨機(jī)調(diào)整圖片對(duì)比度、隨機(jī)調(diào)整圖片亮度、調(diào)整圖片大小為240×240分辨率、從240大小中隨機(jī)裁剪出224、按HWC(高度、寬度、通道)格式歸一化處理使圖像中的灰度值線性映射到-1到1范圍、HWC格式轉(zhuǎn)換成CHW(通道、高度、寬度)格式做數(shù)據(jù)增強(qiáng)，整個(gè)過(guò)程如圖1所示。

圖1 數(shù)據(jù)處理流程Figure 1 Data processing flow

圖像數(shù)據(jù)集處理強(qiáng)化后的圖像如圖2所示。

圖2 數(shù)據(jù)集強(qiáng)化后的圖像Figure 2 The image after enhanced

1.2.3 采用ResNet50神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)器學(xué)習(xí)和建模

ResNet50算法模型如圖3所示。

圖3 ResNet50算法模型Figure 3 ResNet50 algorithm model

1.3 統(tǒng)計(jì)學(xué)方法

主要是使用python sklearn中的confusion_matrix函數(shù)計(jì)算混淆矩陣。其次采用測(cè)試集對(duì)訓(xùn)練模型的診斷效果進(jìn)行驗(yàn)證，求驗(yàn)證集新生兒肺炎二分類肺炎(pneumonia)與正常(normal)的曲線下面積(area under curve,AUC)。

對(duì)accuracy，recall，precision與f1-score進(jìn)行評(píng)測(cè)，其計(jì)算公式如(1)～(4)所示。

(1)

(2)

(3)

(4)

公式中TP為肺炎被正確分類數(shù)量；TN為非肺炎被正確分類量；FP為非肺炎被錯(cuò)分?jǐn)?shù)量；FN為肺炎被錯(cuò)分?jǐn)?shù)量。

2 結(jié)果

2.1 用驗(yàn)證集對(duì)訓(xùn)練模型進(jìn)行評(píng)估

在使用ResNet50訓(xùn)練，并對(duì)驗(yàn)證集進(jìn)行驗(yàn)證結(jié)束時(shí)發(fā)現(xiàn)：loss為1.022，準(zhǔn)確率為91.18%。

2.2 用測(cè)試集計(jì)算混淆矩陣

0代表肺炎陰性，1代表肺炎陽(yáng)性。對(duì)準(zhǔn)確率、召回率、精確率與f1-分?jǐn)?shù)進(jìn)行計(jì)算，準(zhǔn)確率為0.912，其余各項(xiàng)指標(biāo)如表1所示。

表1 混淆矩陣計(jì)算后的各項(xiàng)指標(biāo)Table 1 Various indexesafter calculation of confusion matraix

圖4 測(cè)試集計(jì)算后的混淆矩陣Figure 4 Confusion matraixaftercalculationof testset

2.3 測(cè)試集對(duì)訓(xùn)練模型的診斷驗(yàn)證結(jié)果

在測(cè)試集上，pneumonia的最終ROC曲線下面積AUC為0.993 1，如圖5所示。

圖5 ResNet50驗(yàn)證后的ROC曲線Figure 5 ROC curve of ResNet50

3 討論

深度學(xué)習(xí)在智能診斷、療效評(píng)估和預(yù)測(cè)預(yù)后等方面都有杰出表現(xiàn),可為在醫(yī)學(xué)領(lǐng)域中應(yīng)用提供重要的理論基礎(chǔ)和技術(shù)支撐,對(duì)全病種都具有較大的應(yīng)用前景[22]。類似的深度學(xué)習(xí)方法在用于 COVID-19 診斷的 CT 掃描和X 線胸片上得到了廣泛驗(yàn)證，并且已有胸部 X 光片圖像深度學(xué)習(xí)應(yīng)用于兒科肺部疾病的報(bào)道。雖然對(duì)病原的提示性差，但胸片診斷通常被認(rèn)為是診斷兒童肺炎的金標(biāo)準(zhǔn)[22]。Narin等[23]將胸片分類為 COVID-19 和正常類別，使用 ResNet50 實(shí)現(xiàn)最高 98% 的二分類準(zhǔn)確率。Ayan等[24]研究，將小兒胸片分類為肺炎和正常類別，預(yù)訓(xùn)練了 7 個(gè)著名的 CNN 模型，ResNet50是3個(gè)最成功的模型之一。深度學(xué)習(xí)應(yīng)用在分類新生兒肺炎上報(bào)道較少。本研究數(shù)據(jù)經(jīng)過(guò)ResNet50模型深度學(xué)習(xí)后也取得了比較理想的效果，提供了有力的證據(jù)證明ResNet50模型對(duì)新生兒肺炎分類也具有較好的評(píng)判能力，驗(yàn)證集對(duì)訓(xùn)練模型的驗(yàn)證準(zhǔn)確率為91.18%，測(cè)試集上分辨出新生兒肺炎和正常肺部的ROC曲線下面積AUC都為0.993 1。本研究并不能證明ResNet50在新生兒肺炎識(shí)別中是最好的CNN模型，后續(xù)還需進(jìn)一步驗(yàn)證。本研究的意義在于可以優(yōu)化醫(yī)療資源，進(jìn)行快速準(zhǔn)確的新生兒肺炎識(shí)別，同時(shí)可以降低醫(yī)生的工作強(qiáng)度，起到協(xié)助臨床輔助診斷的作用。

由于本研究是二分類分析，ResNet50只需在正常和肺炎的肺部圖像中正確辨識(shí)其中之一的特征，就可以正確區(qū)分出正常肺部和新生兒肺炎肺部的圖像。其中還發(fā)現(xiàn)用ResNet50二分類小樣本量訓(xùn)練時(shí)，若兩種樣本量的比例接近1∶1時(shí)，訓(xùn)練出來(lái)的模型效果較為理想。

本研究的不足之處:(1)圖像的二分類較為單一。特別是新生兒胸片診斷中除新生兒肺炎以外，仍需要與新生兒濕肺、胎糞吸入綜合征、新生兒肺透明膜病等疾病相鑒別[25]；(2)樣本量較小。在日后的工作中可以通過(guò)擴(kuò)大樣本量，利用更多樣的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，創(chuàng)建多任務(wù)學(xué)習(xí)模型，更全面的從新生兒胸片影像中分類辨別出新生兒肺炎的亞型或其他肺部相關(guān)疾?。?3)采用的是單中心數(shù)據(jù)，存在一定的局限性，需要收集更多的多中心數(shù)據(jù)進(jìn)一步驗(yàn)證和完善。

作者貢獻(xiàn)聲明

張水興：提出研究思路和框架，修改論文；莫琦嵐：設(shè)計(jì)實(shí)驗(yàn)、統(tǒng)計(jì)分析數(shù)據(jù)，撰寫(xiě)論文。

利益沖突聲明

本研究未受到企業(yè)、公司等第三方資助，不存在潛在利益沖突。