楊貴昌，鐘妍其，朱彥，劉哲，王冬青

(1淄博市第一醫(yī)院，山東淄博 255200；2江蘇大學(xué)；3江蘇大學(xué)附屬醫(yī)院)

膝關(guān)節(jié)軟骨損傷由于部分患者臨床癥狀不明顯，且關(guān)節(jié)軟骨的再生和修復(fù)能力有限，往往就診時(shí)已發(fā)展成骨關(guān)節(jié)炎等關(guān)節(jié)難治性疾病。MRI檢查能夠及時(shí)發(fā)現(xiàn)臨床上無(wú)明顯癥狀的輕微膝關(guān)節(jié)軟骨損傷，并有助于判斷其病變程度。由于臨床上針對(duì)不同分級(jí)膝關(guān)節(jié)軟骨損傷而采取的治療措施不同，且患者預(yù)后也存在明顯差別，故膝關(guān)節(jié)軟骨損傷的準(zhǔn)確分級(jí)尤為重要。以往膝關(guān)節(jié)軟骨損傷患者的MRI檢查結(jié)果多采用傳統(tǒng)人工閱片，費(fèi)時(shí)費(fèi)力，且準(zhǔn)確性及可靠性均不夠理想。傳統(tǒng)機(jī)器學(xué)習(xí)分類中比較常用的是支持向量機(jī)(SVM)分類，是一種通過(guò)求解超平面進(jìn)行分類的算法。多激活卷積神經(jīng)網(wǎng)絡(luò)(MACNN)自動(dòng)學(xué)習(xí)模型是一種前饋神經(jīng)網(wǎng)絡(luò)模型，可在傳統(tǒng)人工閱片基礎(chǔ)上通過(guò)復(fù)雜的海量同類數(shù)據(jù)學(xué)習(xí)，掌握共性信息特征，進(jìn)而達(dá)到精確分類識(shí)別的目的，具有參數(shù)相對(duì)較少、更新速度快的特點(diǎn)[1,2]。本研究以大樣本量膝關(guān)節(jié)軟骨多序列MRI圖像作為訓(xùn)練集建立MACNN模型，并分析該模型對(duì)膝關(guān)節(jié)軟骨損傷及其MRI分級(jí)的診斷效能。

1 資料與方法

1.1 臨床資料 選擇2016年5月～2018年8月淄博市第一醫(yī)院收治、經(jīng)關(guān)節(jié)鏡手術(shù)確診為膝關(guān)節(jié)軟骨損傷患者117例，均為男性，年齡30～40(37.6±1.1)歲， BMI為15～25(22.7±0.8)kg/m2，關(guān)節(jié)鏡診斷軟骨損傷分級(jí)：Ⅰ級(jí)21例、Ⅱ級(jí)39例、Ⅲ級(jí)30例、Ⅳ級(jí)27例。納入標(biāo)準(zhǔn)：①有關(guān)節(jié)疼痛或關(guān)節(jié)活動(dòng)障礙，且持續(xù)時(shí)間超過(guò)3個(gè)月的首診男性患者；②未經(jīng)藥物或外科手術(shù)治療；③關(guān)節(jié)鏡手術(shù)前進(jìn)行MRI檢查并排除其他關(guān)節(jié)病變。排除標(biāo)準(zhǔn)：①已入院治療過(guò)的復(fù)診患者；②既往嚴(yán)重膝關(guān)節(jié)外傷史；③MRI檢查合并其他關(guān)節(jié)病變；④存在MRI檢查禁忌證。選擇男性健康志愿者23例，其年齡、BMI與膝關(guān)節(jié)軟骨損傷患者相匹配。本研究通過(guò)醫(yī)院倫理委員會(huì)審核，患者均簽署知情同意書(shū)。

1.2 MRI檢查及數(shù)據(jù)采集 膝關(guān)節(jié)軟骨損傷患者關(guān)節(jié)鏡手術(shù)前、健康志愿者入組后均進(jìn)行膝關(guān)節(jié)MRI檢查。數(shù)據(jù)采集設(shè)備采用3.0 T MR掃描儀及膝關(guān)節(jié)專用線圈。采集序列及相關(guān)參數(shù)：①水激發(fā)三維多回波數(shù)據(jù)聯(lián)合成像(3D-MEDIC)序列，層厚1.0 mm，重復(fù)時(shí)間31 ms，回波時(shí)間17 ms，翻轉(zhuǎn)角度8°，帶寬190 Hz，視野160 mm×160 mm，120分區(qū)，矩陣512 mm×512 mm，層面內(nèi)分辨率0.4 mm×0.4 mm，相位分辨率100%，切層分辨率75%。②水激發(fā)三維快速小角度激發(fā)(3D-FLASH)序列，層厚1.5 mm，重復(fù)時(shí)間16 ms，回波時(shí)間7.2 ms，翻轉(zhuǎn)角度12°，80分區(qū)，帶寬130 Hz，視野160 mm×160 mm，矩陣512×512，層面內(nèi)分辨率0.4 mm×0.4 mm，相位分辨率100%，切層分辨率75%。③T2-mapping序列，層厚3 mm，重復(fù)時(shí)間2 124 ms，回波時(shí)間14 ms，翻轉(zhuǎn)角度180°，視野159 mm×159 mm，矩陣384×384，平均次數(shù)1次。采用Siemens VB12工作站進(jìn)行圖像處理，包括3D形態(tài)學(xué)數(shù)據(jù)測(cè)量及T2-mapping偽彩顯示。

1.3 膝關(guān)節(jié)軟骨損傷的分級(jí)診斷方法 收集117例膝關(guān)節(jié)軟骨損傷患者和23例健康志愿者的膝關(guān)節(jié)MRI圖像共2 035幅，以此為基礎(chǔ)分析傳統(tǒng)人工閱片、SVM分類及MACNN模型三種方法對(duì)膝關(guān)節(jié)軟骨損傷的總診斷效能及分級(jí)診斷效能。

1.3.1 傳統(tǒng)人工閱片 將膝關(guān)節(jié)軟骨MRI檢查結(jié)果按照6個(gè)部位，即髕骨、股骨滑車、股骨內(nèi)髁面、股骨外髁面、脛骨平臺(tái)內(nèi)側(cè)面、脛骨平臺(tái)外側(cè)面，進(jìn)行關(guān)節(jié)軟骨分割、厚度測(cè)量、異常信號(hào)辨別及T2值測(cè)量。最后分別由兩位高年資主任醫(yī)師根據(jù)圖像特征及所測(cè)數(shù)據(jù)對(duì)膝關(guān)節(jié)軟骨損傷進(jìn)行分級(jí)，結(jié)果不一致時(shí)邀請(qǐng)第3位高年資主任醫(yī)師進(jìn)行裁決判斷，傳統(tǒng)人工閱片分級(jí)診斷采用ICRS分級(jí)標(biāo)準(zhǔn)。

1.3.2 SVM分類 采用SVM分析膝關(guān)節(jié)軟骨MRI檢查結(jié)果。SVM分類方法采用公式1求解計(jì)算，其中y表示數(shù)據(jù)點(diǎn)的標(biāo)簽，值為-1或1，以方便于距離計(jì)算的公式推導(dǎo)。當(dāng)w和b等比例放大時(shí)，d的結(jié)果不會(huì)改變，可以將其簡(jiǎn)化為公式2。通過(guò)拉格朗日乘子法對(duì)其進(jìn)行求解，即公式3。對(duì)L中的參數(shù)，分別求偏導(dǎo)，并令偏導(dǎo)的值為0，帶入公式4計(jì)算結(jié)果。

公式3：s.t.y(wTx+b)-1≥0

1.3.3 MACNN模型 訓(xùn)練集數(shù)據(jù)采集：查詢并導(dǎo)出近期膝關(guān)節(jié)軟骨MRI多序列原始圖像共約5 000幅(包括水激發(fā) 3D-MEDIC序列、3D-FLASH序列及T2-mapping序列數(shù)據(jù))，經(jīng)過(guò)對(duì)圖像進(jìn)行可接受范圍內(nèi)的微量偏移或翻轉(zhuǎn)，將訓(xùn)練集樣本量擴(kuò)充至一倍以上。

MACNN模型構(gòu)架及運(yùn)算：以上述訓(xùn)練集為基礎(chǔ)導(dǎo)入MACNN模型開(kāi)始進(jìn)行自動(dòng)訓(xùn)練學(xué)習(xí)，該MACNN模型包括5個(gè)卷積層、3個(gè)池化層、2個(gè)全連接層以及最后的分類輸出層。卷積層卷積核均采用3×3，步長(zhǎng)為1×1；池化層均采用2×2最大池化，步長(zhǎng)為2×2；全連接層的神經(jīng)元個(gè)數(shù)選擇4 096個(gè)。在對(duì)MACNN模型訓(xùn)練過(guò)程中選擇ubuntu16.04 64位系統(tǒng)下，采用英特爾i7 4.20 GHz CPU(Core i7-770K)、16 GB內(nèi)存和NVIDIA GeForce GTX1070的顯卡配置。初試學(xué)習(xí)率為1e-5，權(quán)重初始化選用“Xavier”，權(quán)重衰減值為0.000 5，學(xué)習(xí)率的衰減策略為“step”，gamma取值0.1。訓(xùn)練時(shí)設(shè)置100個(gè)epoch，將所有的BN層和激活層全部設(shè)置為預(yù)激活，最終選擇softmaxloss函數(shù)計(jì)算網(wǎng)絡(luò)的loss值。

MACNN模型診斷步驟：MACNN模型訓(xùn)練完成后，通過(guò)TensorFlow框架的內(nèi)在函數(shù)進(jìn)行模型保存，對(duì)應(yīng)的保存格式可以為.mdf5或者是.pb等。根據(jù)相應(yīng)的保存格式，采用對(duì)應(yīng)的讀取模型方法，分別讀取模型結(jié)構(gòu)和參數(shù)，將需要測(cè)試的圖像路徑放入代碼中，通過(guò)已經(jīng)訓(xùn)練好的模型參數(shù)返回預(yù)測(cè)的結(jié)果。

1.4 統(tǒng)計(jì)學(xué)方法 采用SPSS23.0統(tǒng)計(jì)軟件。繪制傳統(tǒng)人工閱片、SVM分類及MACNN模型三種方法診斷膝關(guān)節(jié)損傷及其分級(jí)的ROC曲線，計(jì)算曲線下面積(AUC)、敏感性、特異性及準(zhǔn)確性。計(jì)數(shù)資料以率表示，結(jié)果比較采用χ2檢驗(yàn)。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 三種方法對(duì)膝關(guān)節(jié)軟骨損傷的診斷效能比較 見(jiàn)表1。

表1 三種方法對(duì)膝關(guān)節(jié)軟骨損傷的診斷效能比較

注：與傳統(tǒng)人工閱片比較，aP<0.05，bP<0.01；與SVM分類比較，cP<0.05，dP<0.01。

2.2 三種方法對(duì)不同分級(jí)膝關(guān)節(jié)軟骨損傷的診斷效能比較 見(jiàn)表2。

表2 三種方法對(duì)不同分級(jí)膝關(guān)節(jié)軟骨損傷的診斷效能比較

注：與傳統(tǒng)人工閱片診斷同等級(jí)膝關(guān)節(jié)軟骨損傷比較，aP<0.05，bP<0.01；與SVM分類診斷同等級(jí)膝關(guān)節(jié)軟骨損傷比較，cP<0.01。

3 討論

膝關(guān)節(jié)是人體最大的關(guān)節(jié)，在日常生活及運(yùn)動(dòng)中常發(fā)生軟骨、韌帶損傷，而軟骨由于其特殊的成分組成，一旦損傷便難以自愈，且隨著時(shí)間的遷延可引發(fā)創(chuàng)傷性骨性關(guān)節(jié)炎[3]。膝關(guān)節(jié)軟骨損傷近年來(lái)有年輕化及普遍化趨勢(shì)，一些程度輕的損傷由于起病隱匿，往往容易臨床漏診而導(dǎo)致治療延誤，即使通過(guò)敏感性較高的MRI檢查，部分不典型的Ⅰ級(jí)及Ⅱ級(jí)病變亦不能保證可以明確診斷[4]。

3D-MEDIC、3D-FLASH及T2-mapping序列均為影像學(xué)分析膝關(guān)節(jié)軟骨損傷的重要序列[5]，能夠最大程度地提供相應(yīng)的影像學(xué)數(shù)據(jù)及特征，可以從膝關(guān)節(jié)軟骨形態(tài)學(xué)變化、軟骨水含量、軟骨膠原異向性及軟骨內(nèi)蛋白聚糖含量變化等方面分析膝關(guān)節(jié)軟骨是否損傷[6]，尤其是T2-mapping成像，能夠在膝關(guān)節(jié)軟骨功能層面進(jìn)行損傷判斷。Juras等[7]研究表明，在T2-mapping序列中，Ⅰ級(jí)及Ⅱ級(jí)病變的T2值差異不大，無(wú)法明確區(qū)分，而形態(tài)學(xué)相關(guān)的3D-FSE-Cube或3D-SPACE序列在部分病灶微小的Ⅰ級(jí)病變中應(yīng)用價(jià)值受限[8]。在實(shí)際臨床工作中，部分輕度膝關(guān)節(jié)軟骨損傷由于圖像特征變化極小，肉眼極易漏診，加之受影像診斷醫(yī)師水平及經(jīng)驗(yàn)等因素影響，即使通過(guò)專用影像學(xué)分析軟件也無(wú)法明顯提高輕度膝關(guān)節(jié)軟骨損傷的識(shí)別率及分級(jí)診斷準(zhǔn)確率[9]。故需要更精確的手段對(duì)膝關(guān)節(jié)軟骨損傷尤其是非常輕度的損傷加以識(shí)別及鑒別。

隨著人工智能相關(guān)技術(shù)的興起，機(jī)器學(xué)習(xí)分類成為解決該問(wèn)題的一種新的思路及方法。在傳統(tǒng)機(jī)器學(xué)習(xí)的眾多算法中，SVM分類算法可以說(shuō)是最穩(wěn)定也是優(yōu)勢(shì)最明顯的算法之一。但傳統(tǒng)的機(jī)器學(xué)習(xí)分類方法所需樣本量巨大，且需要人工設(shè)定圖像特征值及概率值，具有結(jié)果不穩(wěn)定及過(guò)高的假陽(yáng)性率等缺點(diǎn)[10]，在實(shí)際應(yīng)用中其可行性容易受到質(zhì)疑。為了解決該問(wèn)題，本研究團(tuán)隊(duì)在基于Python語(yǔ)言的TensorFlow深度學(xué)習(xí)框架下，構(gòu)建出一種基于標(biāo)準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò)的MACNN模型，該模型網(wǎng)絡(luò)中卷積核通過(guò)滑動(dòng)卷積進(jìn)行特征表達(dá)和特征提取，其卷積核參數(shù)在訓(xùn)練過(guò)程中是共享權(quán)值的，在反向傳播中不斷地更新和優(yōu)化權(quán)值[11]；同時(shí)每一層的卷積上通過(guò)使用不同的激活函數(shù)，使得引入不同類型的非線性信號(hào)，增加網(wǎng)絡(luò)的多樣性，提升網(wǎng)絡(luò)的魯棒性，從而使最終的模型能夠解決更復(fù)雜的問(wèn)題。

由于關(guān)節(jié)軟骨厚度存在性別上的差異，為保證計(jì)算機(jī)模型擬合準(zhǔn)確性及可靠性，本研究均選擇男性膝關(guān)節(jié)軟骨損傷患者作為研究對(duì)象。本研究結(jié)果顯示，MACNN模型對(duì)膝關(guān)節(jié)損傷的診斷總效率最高，其診斷準(zhǔn)確性、敏感性、特異性均優(yōu)于其他兩種方法。本研究結(jié)果顯示，傳統(tǒng)人工閱片及SVM分類對(duì)于Ⅰ、Ⅱ級(jí)關(guān)節(jié)軟骨損傷的診斷特異性較差，這與既往研究中對(duì)于Ⅰ級(jí)膝關(guān)節(jié)軟骨損傷易漏診及Ⅰ、Ⅱ級(jí)膝關(guān)節(jié)軟骨損傷具有一定鑒別難度的結(jié)論是一致的[12,13]；同時(shí)本研究證明傳統(tǒng)人工閱片及SVM分類在Ⅱ級(jí)膝關(guān)節(jié)軟骨損傷的診斷中均存在過(guò)高的假陽(yáng)性率，從而導(dǎo)致診斷效能明顯下降。MACNN模型通過(guò)高度復(fù)雜的非線性處理及強(qiáng)大的自組織、自學(xué)習(xí)和自適應(yīng)能力，可明顯降低將Ⅱ級(jí)膝關(guān)節(jié)軟骨損傷誤判為Ⅰ級(jí)或Ⅲ級(jí)損傷的概率。而Ⅲ、Ⅳ級(jí)膝關(guān)節(jié)軟骨損傷由于病變較重，MRI圖像特征明顯，傳統(tǒng)人工閱片法及SVM分類能夠很輕易地做出準(zhǔn)確判斷，故無(wú)需更加復(fù)雜的方法來(lái)輔助診斷。

綜上所述，MACNN模型對(duì)膝關(guān)節(jié)軟骨損傷患者的總診斷效能及分級(jí)診斷效能均較高，尤其在Ⅰ級(jí)及Ⅱ級(jí)膝關(guān)節(jié)軟骨損傷的診斷中有明顯優(yōu)勢(shì)，可以作為較可靠的工具模型進(jìn)行輔助診斷。MACNN模型具有強(qiáng)大的自動(dòng)表征能力，能夠從影像數(shù)據(jù)中提取生理上的重要表征，并學(xué)習(xí)出其中隱藏的復(fù)雜關(guān)系，通過(guò)復(fù)雜的卷積計(jì)算，對(duì)未輸入結(jié)果的狀態(tài)加以判斷，并給出結(jié)果預(yù)測(cè)。該模型預(yù)測(cè)能力可靠穩(wěn)定，尤其適用于需要通過(guò)細(xì)微差別進(jìn)行篩選及鑒別的精準(zhǔn)影像學(xué)領(lǐng)域。