鄭茜茜 陳 征 侯雅文△

【提 要】 目的 探索基于胃腸道病變高維影像數(shù)據(jù)的計(jì)算機(jī)輔助診斷模型，特別為醫(yī)療資源匱乏地區(qū)提供胃腸腺瘤檢測(cè)的機(jī)器學(xué)習(xí)技術(shù)。方法 選取UCI Gastrointestinal數(shù)據(jù)集中76位增生或腺瘤患者的698維結(jié)腸鏡的白光影像資料。采取非局部先驗(yàn)的貝葉斯變量選擇方法進(jìn)行變量篩選，與傳統(tǒng)高維數(shù)據(jù)變量篩選Lasso方法比較，根據(jù)logistic回歸模型預(yù)測(cè)結(jié)果計(jì)算正確率、Youden指數(shù)、靈敏度和特異度，運(yùn)用該模型結(jié)果與醫(yī)生個(gè)人和團(tuán)隊(duì)診斷結(jié)果比較上述評(píng)價(jià)指標(biāo)。結(jié)果 與Lasso結(jié)果比較顯示，非局部先驗(yàn)的貝葉斯變量選擇方法能夠更為有效地篩選出預(yù)測(cè)變量，模型具有較強(qiáng)的泛化能力。與醫(yī)生和其團(tuán)隊(duì)診斷結(jié)果比較發(fā)現(xiàn)，模型分類結(jié)果在正確率、Youden指數(shù)和特異度都具有最優(yōu)效果，靈敏度也優(yōu)于醫(yī)生個(gè)人水平。結(jié)論 基于非局部先驗(yàn)貝葉斯變量篩選的logistic回歸模型，運(yùn)用到計(jì)算機(jī)輔助診斷技術(shù)中，具有較好的預(yù)測(cè)性能，可為醫(yī)療診斷提供高效的決策支持。

世界衛(wèi)生組織(WHO)將胃腺瘤定義為局部息肉病變，由異常發(fā)育的上皮細(xì)胞的管狀或絨毛狀結(jié)構(gòu)組成[1]。根據(jù)其組織學(xué)結(jié)構(gòu)，Nakamura將胃息肉分為Ⅰ型和Ⅱ型(增生性息肉)，Ⅲ型和Ⅳ型(腺瘤)[2]。在西半球國(guó)家，胃腺瘤的發(fā)病率在0.5%～3.75%之間，而在患胃癌風(fēng)險(xiǎn)高的國(guó)家，如中國(guó)，胃腺瘤的發(fā)病率高達(dá)9%～20%[3]。胃腺瘤性息肉通常位于胃竇中，且在潛伏期無明顯癥狀，但存在腺瘤惡化的重大風(fēng)險(xiǎn)，隨著腫瘤大小的增加，惡化的風(fēng)險(xiǎn)也會(huì)增加[4]。Rubio在對(duì)胃鋸齒狀腺瘤(gastric serrated adenoma)病例研究中發(fā)現(xiàn)，該患者同時(shí)也是一名Lynch綜合癥患者，表明鋸齒狀腺瘤可能帶有遺傳特征[5]。腸腺瘤與胃腺瘤類似，由腺瘤發(fā)展為腺癌的情況日益受到重視，在我國(guó)呈現(xiàn)出年輕化趨勢(shì)。因此，在早期進(jìn)行胃鏡和腸鏡檢查以盡快發(fā)現(xiàn)胃腸道病變對(duì)治療有著重要意義[6]。

醫(yī)生觀察胃腸鏡影像并做出診斷，是目前國(guó)內(nèi)醫(yī)院確診胃腸腺瘤普遍采用的診斷方式。這種主觀判斷的行為，更易受到自身專業(yè)水平和經(jīng)驗(yàn)的影響，存在誤判或遺漏細(xì)節(jié)的可能性，而計(jì)算機(jī)輔助診斷(computer-aided diagnosis,CAD)能客觀地給出參考意見[7]。近年一些CAD[8]或計(jì)算機(jī)輔助支持系統(tǒng)(computer-aided decision support systems,CADSSs)[9]應(yīng)用到疾病診斷之中，降低醫(yī)師臨床診斷的主觀性，減少誤診率和漏診率，提高診斷水平。CAD技術(shù)首先對(duì)圖像資料進(jìn)行病變特征提取，再基于提取的特征進(jìn)行統(tǒng)計(jì)建模，分類判別。其中，國(guó)內(nèi)外學(xué)者大多采用人工神經(jīng)網(wǎng)路、支持向量機(jī)等機(jī)器學(xué)習(xí)方法[10-12]。這些方法能夠在一定程度上對(duì)病變進(jìn)行判別分類。但隨著影像資料所記錄下的病變信息維度增多，如病變處的紋理、形態(tài)以及顏色等等，相對(duì)于病患樣本，這種形式的數(shù)據(jù)被視為高維數(shù)據(jù)[13]，上述算法可能會(huì)導(dǎo)致過度擬合的算法失效問題。隨著數(shù)據(jù)維度由百維以內(nèi)增至千維級(jí)別時(shí)，處理高維數(shù)據(jù)常用的Lasso方法同樣存在過擬合等問題。

因此，本文基于高維數(shù)據(jù)的非局部先驗(yàn)貝葉斯變量選擇方法[14]，對(duì)UCI數(shù)據(jù)庫中關(guān)于胃腸道病變的常規(guī)胃腸鏡檢查的影像資料進(jìn)行特征篩選，并通過特征變量進(jìn)行l(wèi)ogistic回歸，對(duì)比傳統(tǒng)Lasso方法和貝葉斯方法在計(jì)算機(jī)輔助診斷的有效性。對(duì)比模型預(yù)測(cè)結(jié)果、醫(yī)師診斷結(jié)果與病患真實(shí)情況的正確率、Youden指數(shù)、靈敏度和特異度指標(biāo)。

方法介紹

1.基本原理

以影像數(shù)據(jù)信息為自變量，病患是否診斷為胃腸腺瘤作響應(yīng)變量，建立logistic回歸模型。對(duì)任意一個(gè)可能的模型γj(j=1,2,…,2p)，后驗(yàn)概率表示為：

2.參數(shù)先驗(yàn)

基于局部先驗(yàn)(local prior)的貝葉斯變量選擇方法會(huì)導(dǎo)致真實(shí)模型的后驗(yàn)概率趨近于0，如intrinsic bayes factors[15]，fractional bayes factors[16]和g-先驗(yàn)[17]等。Johnson和Rossell提出非局部先驗(yàn)[14]，不同于local先驗(yàn)密度函數(shù)在回歸系數(shù)為零時(shí)，其函數(shù)值大于零，非局部先驗(yàn)密度函數(shù)在回歸系數(shù)為零時(shí)，其函數(shù)值等于零，從而篩選出最佳預(yù)測(cè)變量。通過非局部先驗(yàn)可將真實(shí)模型的后驗(yàn)概率逼近于1，使模型具有一致性。且控制假陽性率的同時(shí)保持參數(shù)的敏感性[18]。

非局部先驗(yàn)密度有兩種形式：乘積矩先驗(yàn)(pMOM)和乘積逆矩先驗(yàn)(piMOM)。本文采用PiMOM先驗(yàn)，表達(dá)式為：

其中τ>0，為尺度參數(shù)，該參數(shù)決定了密度函數(shù)在β=0周圍圖形的分散程度，r是密度函數(shù)的序(r=1，2，…)，βk為模型系數(shù)βj中第k個(gè)系數(shù)值，K=|βj|，表示模型γj對(duì)應(yīng)系數(shù)總數(shù)。Nikooienejad等人通過從模型的空間先驗(yàn)中抽樣的方式以選擇合適的超參數(shù)r和τ[19]。

3.模型空間先驗(yàn)

4.模型后驗(yàn)概率

結(jié)合模型先驗(yàn)、參數(shù)先驗(yàn)和模型后驗(yàn)，模型后驗(yàn)概率表示為：

Johnson和Rossell認(rèn)為由于在確定模型后驗(yàn)概率時(shí)，模型的邊緣密度計(jì)算過于復(fù)雜。為了減少參數(shù)空間的維度，首先對(duì)每個(gè)模型的邊緣密度進(jìn)行Laplace近似，得到邊緣密度的近似表示：

通過MCMC(Markov chain Monte Carlo)[12]算法最大化模型的后驗(yàn)概率，從而得到最高后驗(yàn)概率模型。利用修正的耦合檢驗(yàn)[19]驗(yàn)證MCMC算法的收斂性，從而保證通過適量的迭代次數(shù)可以得到確定的最高后驗(yàn)概率模型。

實(shí)例分析

1． 數(shù)據(jù)來源

數(shù)據(jù)來自UCI數(shù)據(jù)庫(http：//archive.ics.uci.edu/)常規(guī)胃腸鏡2D和3D檢查影像，共有76名患者的內(nèi)鏡影像，將其分別在白光(WL)和窄帶成像技術(shù)(NBI)兩種不同視角下觀察，本文選取白光下的影像資料進(jìn)行輔助診斷。每段影像記錄時(shí)間在30sec～1min之間，共記錄病變屬性698個(gè)，包括：2D紋理特征(422個(gè))、2D顏色特征(76個(gè))和3D形狀特征(200個(gè))，其中3D形狀特征是通過SFM算法提取得到[21]。數(shù)據(jù)集包含三種病變結(jié)果：鋸齒狀腺瘤(15個(gè))，腺瘤(40個(gè))和增生(21個(gè))，鋸齒狀腺瘤和腺瘤歸為一類，增生歸為一類。

同時(shí)，數(shù)據(jù)集包含4名專家和3名初學(xué)者的臨床診斷意見(將具有8年及以上臨床經(jīng)驗(yàn)的胃腸道醫(yī)生視為專家，將具有4年及以下臨床經(jīng)驗(yàn)的胃腸道醫(yī)生視為初學(xué)者)，以及樣本的真實(shí)診療情況：若是良性增生則無需手術(shù)，而若是腺瘤則需要進(jìn)行手術(shù)。

2.分析過程

數(shù)據(jù)按照6∶4劃分訓(xùn)練集和測(cè)試集，訓(xùn)練集樣本數(shù)為45，測(cè)試集樣本數(shù)為31。將數(shù)據(jù)集的影像資料變量標(biāo)示為x1，…，x698，其中x1，…，x422表示2D紋理特征，x423，…，x498表示2D顏色特征，x499，…，x698表示3D形狀特征。首先對(duì)預(yù)測(cè)變量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，分別通過貝葉斯變量選擇方法和Lasso方法篩選最佳模型。

白光下698個(gè)變量使用基于非局部先驗(yàn)貝葉斯變量選擇方法對(duì)訓(xùn)練集建模，選擇變量為x170，屬于2D紋理特征。將變量x170作為預(yù)測(cè)變量，病變類型作為響應(yīng)變量進(jìn)行l(wèi)ogistic回歸，結(jié)果如表1所示。截距項(xiàng)和變量的系數(shù)顯著，logistic回歸模型有效，AIC=34.278。

表1 非局部先驗(yàn)貝葉斯方法logistic模型回歸結(jié)果

Lasso方法共選擇出包含x170在內(nèi)的23個(gè)變量，來自2D紋理特征變量12個(gè)，分別為x6，x8，x11，x12，x98，x110，x132，x133，x135，x137，x170，x218，2D顏色特征10個(gè)，分別為x424，x448，x464，x465，x471，x472，x474，x475，x483，x486，3D形狀特征1個(gè)，為x600。logistic回歸模型效果較差，23個(gè)預(yù)測(cè)變量系數(shù)均不顯著，且P值都為1，AIC=48。

根據(jù)上述兩種方法的變量篩選結(jié)果，結(jié)合logistic回歸模型，分別針對(duì)訓(xùn)練集和測(cè)試集進(jìn)行預(yù)測(cè)，與胃息肉的真實(shí)情況(增生為0，腺瘤為1)進(jìn)行比較，計(jì)算評(píng)價(jià)指標(biāo)：正確率、Youden指數(shù)、靈敏度和特異度，如表2所示。

表2 Lasso方法與非局部先驗(yàn)貝葉斯方法模型評(píng)價(jià)

同時(shí)，根據(jù)預(yù)測(cè)結(jié)果和真實(shí)結(jié)果，分別針對(duì)訓(xùn)練集和測(cè)試集作兩種方法的ROC曲線，如圖1所示。

圖1 Lasso法與非局部先驗(yàn)貝葉斯法的ROC曲線

根據(jù)上述結(jié)果，采用非局部先驗(yàn)貝葉斯方法作為計(jì)算機(jī)輔助診斷模型(記為Model)，與醫(yī)生診斷結(jié)果進(jìn)行比較。在醫(yī)生診斷結(jié)果中，考慮醫(yī)生的最高、最低和團(tuán)隊(duì)決策能力。首先從4名專家中選擇出診斷準(zhǔn)確率最高的1名醫(yī)生作為該醫(yī)院的最高水平(記為Expert)，從3名初學(xué)者中選擇出診斷準(zhǔn)確率最低的1名醫(yī)生作為該醫(yī)院的最低水平(記為Beginner)。綜合考慮4名專家的診斷結(jié)果，若有2人及以上的醫(yī)生認(rèn)為該病變屬于腺瘤，則專家綜合的評(píng)價(jià)結(jié)果即為需要手術(shù)(記為Average_Expert)；再考慮3名初學(xué)者的診斷結(jié)果，若認(rèn)為該病變類型為腺瘤的人數(shù)超過1人，則初學(xué)者綜合評(píng)價(jià)的結(jié)果即為需要手術(shù)(記為Average_Beginner)；最后考慮全部醫(yī)師的診斷結(jié)果，若有超過3人認(rèn)為該病變屬于腺瘤，則全部醫(yī)師的綜合評(píng)價(jià)結(jié)果即為需要手術(shù)(記為Average_All)。

根據(jù)表1的計(jì)算機(jī)輔助診斷模型給出預(yù)測(cè)結(jié)果和醫(yī)生診斷結(jié)果，計(jì)算各評(píng)價(jià)指標(biāo)如表3所示。

表3 計(jì)算機(jī)輔助診斷與醫(yī)生診斷結(jié)果指標(biāo)對(duì)比

*：A_E表示Average_Expert，A_B表示Average_Beginner，A_A表示Average_All

3.分析結(jié)果

針對(duì)高達(dá)698維影像數(shù)據(jù)，Lasso方法出現(xiàn)變量選擇的過擬合問題，模型泛化能力差，非局部先驗(yàn)貝葉斯方法具有更少的變量個(gè)數(shù)，從訓(xùn)練集到測(cè)試集的評(píng)價(jià)結(jié)果比較如表2顯示，4個(gè)指標(biāo)均有較大提高，Lasso方法正相反，從圖1的ROC曲線也可看出，非局部先驗(yàn)貝葉斯方法泛化能力更強(qiáng)。

計(jì)算機(jī)輔助診斷和醫(yī)生診斷對(duì)比中，如表3所示，在正確率指標(biāo)上，Model值為0.8684，相較于Expert、Beginner和A_B都有明顯優(yōu)勢(shì)，與A_E和A_A水平持平，表明Model總體診斷能力較優(yōu)。在Youden指數(shù)上，Model值為0.7299，真實(shí)性最優(yōu)。在靈敏度指標(biāo)上，A_A的評(píng)價(jià)結(jié)果最優(yōu)。靈敏度數(shù)值越高表明更多的惡性樣本能被正確檢測(cè)出來?？紤]到將腺瘤誤判為增生給患者帶來的嚴(yán)重性，A_E的團(tuán)隊(duì)4人投票規(guī)則設(shè)置，會(huì)增強(qiáng)靈敏度值。Model在靈敏度指標(biāo)的診斷能力相較于單人醫(yī)生更強(qiáng)。在特異度指標(biāo)上，Model和Expert的評(píng)價(jià)結(jié)果最優(yōu)。特異度數(shù)值越高表明更多的良性樣本能被正確檢測(cè)出來，模型和最高水平的醫(yī)生能夠?qū)α夹詷颖揪哂凶顑?yōu)的診斷能力，大大降低病患心理負(fù)擔(dān)。

綜合而言，通過基于非局部先驗(yàn)的貝葉斯方法篩選出的變量，進(jìn)而建立的logistic回歸模型，其預(yù)測(cè)效果在各個(gè)指標(biāo)上都處于中等或最優(yōu)水平。表明在高維情況下，利用貝葉斯方法篩選出的變量X170解釋性強(qiáng)，代表性好，具有很好的計(jì)算機(jī)輔助診斷價(jià)值。

討 論

本文通過基于非局部先驗(yàn)設(shè)置的貝葉斯變量選擇方法對(duì)UCI數(shù)據(jù)庫的Gastrointestinal數(shù)據(jù)集進(jìn)行實(shí)證分析，針對(duì)76段病變處的影像資料，從698個(gè)病變特征中篩選出最佳的預(yù)測(cè)變量X170(2D紋理特征)。在變量篩選方法上，對(duì)比傳統(tǒng)高維數(shù)據(jù)的Lasso方法，測(cè)試集評(píng)價(jià)結(jié)果表明非局部先驗(yàn)的貝葉斯方法更為有效、簡(jiǎn)潔。并將該模型與醫(yī)院醫(yī)生各種可能診斷配置比較結(jié)果顯示，醫(yī)生投票方式能有效地將腺瘤樣本正確分類，模型的靈敏度雖略差于醫(yī)生投票診斷結(jié)果，但明顯優(yōu)于單人的診斷；除此之外，模型預(yù)測(cè)結(jié)果可以達(dá)到與醫(yī)生投票或最好的醫(yī)生結(jié)果一致，甚至更優(yōu)。從各個(gè)指標(biāo)結(jié)果綜合分析，模型的診斷結(jié)果表現(xiàn)較好，體現(xiàn)出基于非局部先驗(yàn)設(shè)置的貝葉斯變量選擇方法的優(yōu)勢(shì)，相比于其他應(yīng)用到醫(yī)學(xué)圖像判別的機(jī)器學(xué)習(xí)方法，該方法更加適用于高維的醫(yī)學(xué)影像數(shù)據(jù)。在鼓勵(lì)創(chuàng)新檢測(cè)技術(shù)與產(chǎn)品研發(fā)，通過技術(shù)更新提升我國(guó)防癌體檢效率的大背景下，論文采用貝葉斯變量選擇與logistic回歸模型作為計(jì)算機(jī)輔助診斷技術(shù)，有效降低醫(yī)生個(gè)體診斷的主觀性，特別針對(duì)醫(yī)療師資條件匱乏的地區(qū)，達(dá)到提高診療效率的根本目的。