易婉晴 鄭雪怡 張狀 孫維榮 袁小東

結(jié)核病在許多發(fā)展中國(guó)家廣泛流行,可以累及身體的任何部位,泌尿生殖系統(tǒng)經(jīng)常受到累及,占肺外結(jié)核的15%～20%,而腎結(jié)核則在泌尿生殖系統(tǒng)結(jié)核病中最常見(jiàn)[1-2]。腎結(jié)核通常由肺或腸道結(jié)核經(jīng)血源性播散引起,往往無(wú)癥狀[3-4]。但是,腎結(jié)核的隱匿發(fā)作和臨床非特異性表現(xiàn)會(huì)延誤診治,常會(huì)導(dǎo)致嚴(yán)重的后果,如膀胱攣縮和腎衰竭[5-6]。雖然組織病理學(xué)或尿液培養(yǎng)找到結(jié)核分枝桿菌是腎結(jié)核確診的金標(biāo)準(zhǔn),但是需要有創(chuàng)操作,并且假陰性率高[6]。CT掃描能夠顯示腎盞、腎盂的增厚、變形和狹窄,腎實(shí)質(zhì)內(nèi)低密度灶、膿腔及鈣化,繼發(fā)性腎積水和腎皮質(zhì)萎縮變薄,以及腎周滲出、積膿等形態(tài)學(xué)改變,增強(qiáng)CT掃描還能夠顯示腎臟灌注和排泄的功能學(xué)變化。CT掃描對(duì)腎結(jié)核的診斷和治療有較高的臨床價(jià)值[7]?；诰矸e神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)是人工智能(artificial intelligence,AI)的一個(gè)重要分支,與傳統(tǒng)機(jī)器學(xué)習(xí)不同,深度學(xué)習(xí)具有高度靈活性,并且支持自動(dòng)特征提取,在各個(gè)領(lǐng)域的應(yīng)用越來(lái)越廣泛[8]。將基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分析應(yīng)用于計(jì)算機(jī)輔助診斷(computer-aided diagnosis,CAD)中,可以為臨床醫(yī)生提供決策支持,并提高各種診斷和治療過(guò)程的準(zhǔn)確性和效率[9]。近年來(lái),深度學(xué)習(xí)在結(jié)核病放射診斷研究中展現(xiàn)出了良好效果和巨大的潛能[10-11]。但是,在泌尿生殖系統(tǒng)結(jié)核放射診斷研究報(bào)道中尚未見(jiàn)AI深度學(xué)習(xí)模型的應(yīng)用[12-13]。本研究基于多期相CT掃描圖像構(gòu)建深度學(xué)習(xí)模型用于腎結(jié)核的診斷,以評(píng)估AI深度學(xué)習(xí)模型在腎結(jié)核放射診斷中的應(yīng)用價(jià)值。

對(duì)象和方法

1.研究對(duì)象:回顧性分析2018年9月至2020年8月經(jīng)解放軍總醫(yī)院第八醫(yī)學(xué)中心收治,并經(jīng)組織病理學(xué)或臨床確診的腎結(jié)核、腎腫瘤、腎盂腎炎、正常腎臟、腎囊腫、腎積水患者。正常腎臟被定義為CT圖像上腎臟沒(méi)有病變,正常腎臟、腎囊腫和腎積水患者以放射診斷醫(yī)生的CT診斷報(bào)告為金標(biāo)準(zhǔn)。腎癌的病理類(lèi)型包括轉(zhuǎn)移瘤(來(lái)源于肺癌)、透明細(xì)胞癌;腎臟良性腫瘤的病理類(lèi)型包括血管平滑肌脂肪瘤和囊性腎瘤;腎炎的病理類(lèi)型為慢性腎盂腎炎。根據(jù)納入和排除標(biāo)準(zhǔn),最終納入200例患者共400個(gè)腎臟的CT圖像數(shù)據(jù),包括101個(gè)正常腎臟和299個(gè)病變腎臟。病變腎臟包括114個(gè)腎結(jié)核、37個(gè)腎盂腎炎、66個(gè)腎腫瘤(40個(gè)惡性,26個(gè)良性)、20個(gè)腎積水、62個(gè)腎囊腫。將所有患者分為結(jié)核組和非結(jié)核組,其中結(jié)核組包括88例患者共114個(gè)腎結(jié)核(26例患者雙腎腎結(jié)核),非結(jié)核組包括174例患者共286個(gè)非腎結(jié)核(62例腎結(jié)核患者中20例患者合并對(duì)側(cè)腎積水、12例患者合并對(duì)側(cè)腎囊腫、30例患者合并對(duì)側(cè)正常腎臟;另31例患者共50個(gè)單純性腎囊腫(19例患者雙腎腎囊腫);30例患者共40個(gè)腎惡性腫瘤(10例患者雙腎轉(zhuǎn)移瘤);26例患者共26個(gè)腎良性腫瘤;25例患者共37個(gè)腎盂腎炎(12例患者雙腎腎盂腎炎))。最后按8∶2的比例分為訓(xùn)練集(腎結(jié)核:85個(gè);非腎結(jié)核:235個(gè))和測(cè)試集(腎結(jié)核:29個(gè);非腎結(jié)核:51個(gè))。

2.納入標(biāo)準(zhǔn):(1)腎結(jié)核的診斷經(jīng)尿液培養(yǎng)結(jié)核分枝桿菌陽(yáng)性或組織病理學(xué)檢查確診;腎腫瘤與腎盂腎炎的診斷經(jīng)組織病理學(xué)檢查確診;(2)研究對(duì)象臨床資料完整,包括性別、年齡、病史、體格檢查、影像學(xué)和病理學(xué)資料;(3)CT圖像質(zhì)量良好,無(wú)明顯偽影。

3.檢查方法:采用320排檢測(cè)器的CT掃描儀(Aquilion ONE,日本東芝公司),掃描過(guò)程包括腎臟平掃期、皮髓質(zhì)期、實(shí)質(zhì)期和排泄期的腹部增強(qiáng)掃描。CT掃描參數(shù)設(shè)置為管電壓120 kV,層厚3.0 mm,層間距3.0 mm,矩陣512×512。以高壓注射器經(jīng)肘靜脈注入對(duì)比劑(碘佛醇,320 mgl/ml;江蘇恒瑞醫(yī)藥股份有限公司),劑量為0.8 ml/kg,注射流率為3.0 ml/s,隨后以相同的速率注射20 ml生理鹽水。

4.圖像分割和預(yù)處理:所有CT圖像以原始圖像和原圖分辨率的DICOM格式導(dǎo)入北京醫(yī)準(zhǔn)智能科技有限公司的達(dá)爾文智能科研平臺(tái)(http://www.yizhun-ai.com)。應(yīng)用平臺(tái)中的AI自動(dòng)輔助標(biāo)注功能對(duì)腎臟進(jìn)行逐層勾畫(huà),通過(guò)逐層二維的感興趣區(qū)(region of interest,ROI)勾畫(huà)以獲得整個(gè)腎臟的感興趣體積(volume of interest,VOI)。由1位低年資腹部影像診斷醫(yī)師對(duì)VOI進(jìn)行審查,如果局部勾畫(huà)效果不理想,則進(jìn)一步手動(dòng)修改。接下來(lái),由1位高年資腹部影像診斷醫(yī)師重新審查勾畫(huà)結(jié)果,對(duì)VOI的勾畫(huà)做出最終判斷。

為了提升模型性能和穩(wěn)定性,本研究在訓(xùn)練深度學(xué)習(xí)模型前對(duì)輸入圖像進(jìn)行了預(yù)處理,包括對(duì)輸入圖像數(shù)據(jù)歸一化,并將圖像大小調(diào)整為64×64×64像素重新輸入到ResNet網(wǎng)絡(luò)中。數(shù)據(jù)歸一化旨在消除輸入數(shù)據(jù)之間的量綱差異,解決數(shù)據(jù)之間可比性的問(wèn)題。調(diào)整圖像大小旨在保證數(shù)據(jù)的一致性。此外,還應(yīng)用了隨機(jī)水平翻轉(zhuǎn)和旋轉(zhuǎn)的數(shù)據(jù)增強(qiáng)方法來(lái)減少模型過(guò)度擬合的風(fēng)險(xiǎn)。

5.深度學(xué)習(xí)模型的構(gòu)建:(1)深度學(xué)習(xí)模型的訓(xùn)練:使用ResNet18和ResNet50網(wǎng)絡(luò)對(duì)腎臟平掃期、皮髓質(zhì)期、實(shí)質(zhì)期和排泄期CT圖像分別進(jìn)行深度學(xué)習(xí)模型的訓(xùn)練。(2)模型訓(xùn)練參數(shù):輸入模型的數(shù)據(jù)批量大小為32,總共進(jìn)行150輪次訓(xùn)練,學(xué)習(xí)率為0.0001,采用隨機(jī)梯度下降算法作為優(yōu)化器,采用交叉熵?fù)p失函數(shù)來(lái)衡量模型預(yù)測(cè)概率分布與真實(shí)概率分布之間的差異。

結(jié) 果

1.臨床資料:在訓(xùn)練集和測(cè)試集中,結(jié)核組平均年齡均明顯小于非結(jié)核組,差異有統(tǒng)計(jì)學(xué)意義。兩組性別分布的差異無(wú)統(tǒng)計(jì)學(xué)意義。具體見(jiàn)表1。

表1 訓(xùn)練集和測(cè)試集中結(jié)核組和非結(jié)核組年齡及性別分布情況

2.深度學(xué)習(xí)預(yù)測(cè)模型的診斷效能:基于腎臟各單期(平掃期、皮髓質(zhì)期、實(shí)質(zhì)期和排泄期)CT圖像,分別應(yīng)用ResNet18和ResNet50模型預(yù)測(cè)診斷腎結(jié)核。測(cè)試集中,基于腎臟各單期的ResNet18模型的AUC、敏感度、特異度、準(zhǔn)確率和F1分?jǐn)?shù)均高于ResNet50模型;以皮髓質(zhì)期為首,分別為0.925、93.1%、86.3%、88.7%和0.857。其他具體指標(biāo)值見(jiàn)表2。ROC曲線更直觀的顯示基于皮髓質(zhì)期的ResNet18模型診斷腎結(jié)核的AUC最高,見(jiàn)圖1、2。

圖1 基于腎臟各單期ResNet18模型在測(cè)試集中診斷腎結(jié)核的受試者工作特征曲線

圖2 基于腎臟各單期ResNet50模型在測(cè)試集中診斷腎結(jié)核的受試者工作特征曲線

表2 基于腎臟各單期CT圖像建立的深度學(xué)習(xí)模型預(yù)測(cè)腎結(jié)核的效能

討 論

早期發(fā)現(xiàn)和及時(shí)治療對(duì)提高腎結(jié)核的治愈率和改善預(yù)后至關(guān)重要。CT掃描是發(fā)現(xiàn)和輔助診斷腎結(jié)核的有效手段。放射診斷醫(yī)師需要具備較豐富的診斷經(jīng)驗(yàn)并且花費(fèi)大約5～10 min來(lái)閱讀和分析CT圖像,才能對(duì)一處腎臟病灶是否為腎結(jié)核做出判斷。據(jù)資料顯示,我國(guó)醫(yī)療影像數(shù)據(jù)每年以30%的速度增長(zhǎng),而放射診斷醫(yī)師的從業(yè)人員數(shù)量年增速率僅為4%～6%[14]。放射診斷醫(yī)師的數(shù)量難以滿(mǎn)足患者影像學(xué)檢查日益增長(zhǎng)的需求,導(dǎo)致誤診、漏診在所難免。因此,筆者嘗試?yán)煤线m的深度學(xué)習(xí)模型結(jié)合CT圖像輔助診斷腎結(jié)核,從而提高腎結(jié)核的CT診斷效率和質(zhì)量。

影像組學(xué)是傳統(tǒng)的機(jī)器學(xué)習(xí)方法,通過(guò)對(duì)醫(yī)學(xué)影像數(shù)據(jù)中的大量圖像特征來(lái)進(jìn)行定量化分析和挖掘,揭示與疾病發(fā)生、發(fā)展及治療反應(yīng)相關(guān)的潛在信息和特征[15]。而深度學(xué)習(xí)是更先進(jìn)的機(jī)器學(xué)習(xí)方法,通過(guò)構(gòu)建和訓(xùn)練復(fù)雜的多層神經(jīng)網(wǎng)絡(luò)架構(gòu)將輸入信息轉(zhuǎn)換為多個(gè)抽象層級(jí),從而實(shí)現(xiàn)對(duì)數(shù)據(jù)的自動(dòng)學(xué)習(xí)和抽取特征[16-18]。本研究中,筆者選擇了ResNet卷積神經(jīng)網(wǎng)絡(luò)中的ResNet18和ResNet50網(wǎng)絡(luò)為架構(gòu),建立學(xué)習(xí)模型,它們分別由17個(gè)卷積層和1個(gè)全連接層、49個(gè)卷積層和1個(gè)全連接層組成構(gòu)建。以ResNet18為例,ResNet18 中的后綴編號(hào)代表了神經(jīng)網(wǎng)絡(luò)的深度,即卷積層和全連接層的數(shù)量,數(shù)字越大表示網(wǎng)絡(luò)越深、越復(fù)雜。本研究中ResNet18模型的效能優(yōu)于ResNet50模型,究其原因,可能是由于訓(xùn)練樣本量偏少的約束,ResNet50在相對(duì)較少的訓(xùn)練樣本時(shí)得不到充分訓(xùn)練,因此,不能發(fā)揮其復(fù)雜模型的優(yōu)勢(shì)。Lin等[19]在關(guān)于深度學(xué)習(xí)模型預(yù)測(cè)腎透明細(xì)胞癌高、低級(jí)別分級(jí)的研究中發(fā)現(xiàn),層數(shù)越簡(jiǎn)單的ResNet網(wǎng)絡(luò)構(gòu)建的模型表現(xiàn)出的性能更好,原因同樣是層數(shù)較復(fù)雜的模型需要更大規(guī)模的訓(xùn)練數(shù)據(jù)量才能表現(xiàn)得更佳。本研究中,筆者發(fā)現(xiàn)腎臟皮髓質(zhì)期模型表現(xiàn)出最佳的性能。究其原因,可能是腎結(jié)核的常見(jiàn)征象是腎實(shí)質(zhì)內(nèi)的低密度病灶[20-21],這些病灶往往在皮髓質(zhì)期強(qiáng)化最佳,這時(shí)病灶與腎實(shí)質(zhì)之間的CT值差異相對(duì)最大,常形成類(lèi)似于“花瓣?duì)睢钡男螒B(tài)特征,有助于提高模型的診斷能力。其次,排泄期模型展現(xiàn)了較好的診斷效能,這可能是因?yàn)槟I結(jié)核的另一個(gè)常見(jiàn)征象是腎積水或積膿[21],腎盞、腎盂擴(kuò)張等形態(tài)改變,排泄期積水?dāng)U大的腎盞、腎盂內(nèi)碘對(duì)比劑呈高濃度積聚,CT值明顯升高,這可能有助于提高模型判斷的準(zhǔn)確性。

本研究中,深度學(xué)習(xí)模型在診斷效能上表現(xiàn)出色,這歸因于多種因素。首先,本研究中的ROI勾畫(huà)是在腎臟上逐層進(jìn)行的,從而得到了整個(gè)腎臟三維層面的VOI。三維層面的勾畫(huà)能夠更準(zhǔn)確、更全面地呈現(xiàn)病變的形態(tài)特征,有助于提高模型的鑒別診斷能力。其次,筆者訓(xùn)練了兩種不同架構(gòu)的網(wǎng)絡(luò),分別是ResNet18和ResNet50。ResNet網(wǎng)絡(luò)是當(dāng)前被廣泛認(rèn)可為最穩(wěn)定和可靠的網(wǎng)絡(luò)模型之一,并在醫(yī)學(xué)深度學(xué)習(xí)研究中廣泛應(yīng)用[22]。為了節(jié)約資源和提高效率,筆者沒(méi)有將ResNet網(wǎng)絡(luò)和其他神經(jīng)網(wǎng)絡(luò)(如VGG網(wǎng)絡(luò)、ResNext網(wǎng)絡(luò)、Google網(wǎng)絡(luò)等)的性能做過(guò)多的橫向?qū)Ρ?。本研究?以皮髓質(zhì)期構(gòu)建的ResNet18模型性能最佳,AUC值為0.925,診斷腎結(jié)核和非結(jié)核性病變的敏感度和特異度分別為93.1%和86.3%,有較高的潛在臨床應(yīng)用價(jià)值,效果和傳統(tǒng)的人工閱片診斷性研究接近,例如,李培恒等[23]分析多層螺旋CT尿路造影診斷腎結(jié)核的敏感度和特異度分別為93.0%和82.0%。雖然用于腎結(jié)核的深度學(xué)習(xí)模型此前未見(jiàn)報(bào)道,但深度學(xué)習(xí)模型在其他部位結(jié)核病中的應(yīng)用研究方興未艾,取得了較好的效果。Ma等[24]基于多層螺旋CT圖像構(gòu)建深度學(xué)習(xí)模型檢測(cè)與驗(yàn)證活動(dòng)性肺結(jié)核中AUC值達(dá)0.980,敏感度和特異度分別為96.4%和97.1%。Li等[25]基于CT圖像的多模態(tài)特征融合構(gòu)建了新的深度學(xué)習(xí)分類(lèi)模型用于輔助診斷脊柱結(jié)核發(fā)現(xiàn)該模型預(yù)測(cè)AUC值為0.998,敏感度和特異度均為98.3%。本研究首次利用深度學(xué)習(xí)模型輔助診斷腎結(jié)核,對(duì)腎臟病變的性質(zhì)進(jìn)行結(jié)核病或非結(jié)核病兩分類(lèi)判斷,實(shí)現(xiàn)了較好的診斷效能。但是,臨床實(shí)踐中只是判斷結(jié)核病或非結(jié)核病尚且不夠,如果是非結(jié)核病還需要進(jìn)一步明確病變性質(zhì)。因此,基于深度學(xué)習(xí)的多分類(lèi)判斷模型是今后需要研究的方向。

本研究存在局限性。首先,本研究為單中心回顧性研究,納入樣本量相對(duì)較小,未來(lái)將基于多中心大樣本量數(shù)據(jù)進(jìn)一步提高模型的穩(wěn)定性及準(zhǔn)確性。其次,當(dāng)前使用的AI自動(dòng)輔助勾畫(huà)功能尚不完善,需要人工修正,費(fèi)時(shí)費(fèi)力的同時(shí)還可能會(huì)降低研究結(jié)果的可重復(fù)性。未來(lái)分割更準(zhǔn)確、需要更少的人工干預(yù)甚至不需要人工干預(yù)的腎臟分割模型將會(huì)進(jìn)一步提高研究效率和增強(qiáng)結(jié)果的可靠性。最后,受限于研究時(shí)間段內(nèi)所納入研究對(duì)象腎臟疾病譜種類(lèi)和數(shù)量的限制,本研究所得到的AI深度學(xué)習(xí)模型的診斷效能可能存在一定的偏倚,因?yàn)椴》N的構(gòu)成比和病變的嚴(yán)重程度會(huì)對(duì)敏感度、特異度等診斷效能指標(biāo)產(chǎn)生影響。

綜上,基于多期相CT圖像的ResNet18模型對(duì)腎結(jié)核的鑒別診斷展現(xiàn)了較好的診斷效能,其中,以皮髓質(zhì)期構(gòu)建的ResNet18模型效果最佳,有較高的潛在臨床應(yīng)用價(jià)值。

利益沖突所有作者均聲明不存在利益沖突

作者貢獻(xiàn)易婉晴:醞釀和設(shè)計(jì)實(shí)驗(yàn)、實(shí)施研究、采集數(shù)據(jù)、分析/解釋數(shù)據(jù)、起草文章、統(tǒng)計(jì)分析;鄭雪怡:分析/解釋數(shù)據(jù)、起草文章、統(tǒng)計(jì)分析;張狀:采集數(shù)據(jù)、統(tǒng)計(jì)分析;孫維榮:分析/解釋數(shù)據(jù)、對(duì)文章的知識(shí)性?xún)?nèi)容作批評(píng)性審閱;袁小東:醞釀和設(shè)計(jì)實(shí)驗(yàn)、對(duì)文章的知識(shí)性?xún)?nèi)容作批評(píng)性審閱、獲取研究經(jīng)費(fèi)、指導(dǎo)