唐依琳 張淥愷 金倞 王坤 楊玉玲 馬莊宣 李騁 李銘，3△

（1復(fù)旦大學(xué)附屬華東醫(yī)院放射科 上海 200040； 2復(fù)旦大學(xué)附屬華山醫(yī)院放射科 上海 200040；3復(fù)旦大學(xué)醫(yī)學(xué)功能與分子影像研究所 上海 200040）

主動脈夾層（aortic dissection，AD）是一種危及生命健康的心血管危重疾病，是心血管疾病中死亡率最高的疾病之一。近年來中國AD的發(fā)病率呈上升趨勢［1］，針對AD流行病學(xué)的現(xiàn)有研究大多以就診患者為基礎(chǔ)，缺少未就診病例，這使得該疾病的真實發(fā)病率可能高于目前報道的發(fā)病率［2-4］。AD根據(jù)Stanford分型可分為A、B型，A型AD相較于B型AD發(fā)病更兇險，應(yīng)立即進(jìn)行手術(shù)，而B型AD可以使用藥物治療或血管內(nèi)治療，因此提高A型AD的早期檢出率至關(guān)重要［5-6］。目前應(yīng)用碘對比劑增強(qiáng)CT是發(fā)現(xiàn)和診斷AD最常用的成像檢查方式，敏感性為100%，特異性為98%～99%［7-8］。然而，有碘對比劑禁忌的患者不能接受該檢查，還會使受檢者發(fā)生對比劑腎病的風(fēng)險增加［9-10］。此外，在夜間、節(jié)假日或一些醫(yī)療落后的地區(qū)，增強(qiáng)CT檢查的可及性受限［11］。另外，許多早期缺乏典型癥狀或無癥狀的AD患者只采取了平掃CT檢查，導(dǎo)致這部分患者無法通過增強(qiáng)CT及時診斷［12-13］。平掃CT診斷AD的靈敏度低、假陰性率高，因此提高放射科醫(yī)師通過平掃CT診斷AD的信心，提高該檢查對AD的檢出率具有重要的臨床意義［14］。

近年來，人工智能已被廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域［15］。影像組學(xué)作為人工智能與影像大數(shù)據(jù)的交叉產(chǎn)物，具有無害、普適、快捷、經(jīng)濟(jì)等優(yōu)勢［16］。影像組學(xué)能捕捉醫(yī)學(xué)圖像中不能為肉眼識別的組織和病變的微觀異質(zhì)性，彌補(bǔ)傳統(tǒng)影像學(xué)診斷依靠肉眼識別病變和經(jīng)驗依賴性較強(qiáng)的缺陷［17］，從而幫助放射科醫(yī)師提高對疾病診斷的信心。基于影像組學(xué)特征構(gòu)建的機(jī)器學(xué)習(xí)模型在平掃CT上檢測AD以及Stanford A型AD，目前國內(nèi)外尚未有相關(guān)研究。本研究旨在探討基于平掃CT影像組學(xué)的機(jī)器學(xué)習(xí)方法檢測AD和Stanford A型AD的可行性，以期提高平掃CT對非典型或無癥狀A(yù)D患者的檢出率，以及在增強(qiáng)CT檢查不可取或者獲得受限的情況下識別AD。

資料和方法

研究對象回顧性收集2011年7月至2022年7月期間在復(fù)旦大學(xué)附屬華東醫(yī)院同時接受了胸腹平掃CT和增強(qiáng)CT檢查的患者。AD陽性患者的納入標(biāo)準(zhǔn)：（1）放射科醫(yī)師根據(jù)增強(qiáng)CT圖像表現(xiàn)確診的AD，CT檢查時尚未置入主動脈裝置；（2）患者在同一天進(jìn)行了平掃CT和增強(qiáng)CT檢查；（3）對照增強(qiáng)CT圖像，確保平掃CT圖像范圍包括夾層部分；（4）如果同一患者有多個CT檢查結(jié)果，則將最近一次檢查數(shù)據(jù)納入本研究。AD陰性患者的納入標(biāo)準(zhǔn)：（1）增強(qiáng)CT圖像排除AD、且沒有與AD鑒別困難的壁間血腫、血栓和穿透性潰瘍；（2）患者在同一天有平掃CT和增強(qiáng)CT檢查。

按上述標(biāo)準(zhǔn)，本研究共納入128例患者，其中男性86例（67.2%）。所有患者平均年齡（66±13）歲。128例患者中有AD患者61例，非AD患者67例。61例AD患者中男性53例（86.9%），平均年齡（67±14）歲。67例非AD患者中男性33例（49.3%），平均年齡（64±11）歲。按7∶3的比例將128例患者隨機(jī)劃分為訓(xùn)練集（n=89）和驗證集（n=39）?；颊叩呐R床資料包括年齡、性別、AD Stanford分型等。

CT影像采集采用Somatom Drive、Somatom Flash（德國西門子公司）和Revolution 256（美國GE公司） 3臺CT儀進(jìn)行平掃和CT增強(qiáng)掃描，采集體位為仰臥位，管電壓80～140 kVp，自動調(diào)節(jié)管電流技術(shù)，矩陣為512×512，重建層厚0.625 mm/1 mm/1.25 mm/1.5 mm。

VOI勾畫將薄層（0.625 mm/1 mm/1.25 mm/1.5 mm）平掃CT圖像導(dǎo)入3D-slicer軟件（version4.11.0，http：//www.slicer.org），由1名技術(shù)員在橫斷面圖像上隔層勾畫主動脈輪廓，并自動填充全部主動脈得到體積感興趣區(qū)（volumetric region of interest，VOI），再手動調(diào)整VOI范圍，盡量排除心肌、胸膜、脊柱、腹膜和胃腸道等無關(guān)結(jié)構(gòu)，使VOI準(zhǔn)確覆蓋主動脈。最后，所有病例的主動脈VOI和平掃CT數(shù)據(jù)以NII（脫敏格式）導(dǎo)出，用于影像組學(xué)特征提取。

影像組學(xué)特征提取、篩選和機(jī)器學(xué)習(xí)模型的構(gòu)建和評價本研究采用Pyradiomics軟件（Python，Version 3.7）進(jìn)行影像組學(xué)特征的提取，在128例患者的主動脈VOI上共提取1 905個特征，其中包括一階特征、2D形態(tài)特征、3D形態(tài)特征、灰度共生矩陣特征、灰度大小區(qū)域矩陣特征、灰度游程矩陣特征、相鄰灰階差矩陣特征、灰度依賴矩陣特征和小波變換特征。為了便于分析，對提取的特征數(shù)據(jù)進(jìn)行正則化處理，轉(zhuǎn)換到均值為0、方差為1范圍內(nèi)。用Spearman相關(guān)性分析（特征之間Spearman系數(shù)＞0.8時取其一），最小絕對收縮選擇算子（least absolute shrinkage and selection operator，LASSO）進(jìn)行特征篩選，降維后得到最優(yōu)特征集，在訓(xùn)練集中分別用支持向量機(jī)（support vector machine，SVM）、決策樹（decision tree，DT）、隨機(jī)森林（random forest，RF）、極端梯度提升（extreme gradient boosting，XGBoost）、輕量梯度提升（light gradient boosting，LightGBM）和極端隨機(jī)樹（extra trees，ET）模型構(gòu)建6種機(jī)器學(xué)習(xí)模型。評價指標(biāo)包括：受試者操作特性（receiver operating characteristic curve，ROC）曲線下面積（area under the ROC curve，AUC）、準(zhǔn)確度、F1分?jǐn)?shù)和召回率。

統(tǒng)計學(xué)分析采用SPSS統(tǒng)計軟件（Version 26版）和R（Version 4.1.0）進(jìn)行統(tǒng)計分析和模型構(gòu)建。計量資料用表示，計數(shù)資料用頻數(shù)和百分?jǐn)?shù)表示。使用AUC、準(zhǔn)確度、F1值和召回率評估各模型的檢測效能。

結(jié) 果

檢測AD的機(jī)器學(xué)習(xí)模型1 905個特征經(jīng)過Spearman相關(guān)性分析和LASSO回歸降維后得到35個影像組學(xué)特征的最優(yōu)特征集合，特征篩選過程、最終的35個特征參數(shù)及相應(yīng)權(quán)重見圖1。SVM、DT、RF、XGBoost、LightGBM和ET模型在訓(xùn)練集和驗證集中檢測AD的效能見表1、圖2和圖3。結(jié)果顯示，XGBoost模型在訓(xùn)練集和驗證集中均具有最高的檢測性能，且在訓(xùn)練集和驗證集中的表現(xiàn)差異最小。該模型在驗證集中的AUC、召回率、F1分?jǐn)?shù)和準(zhǔn)確度分別為0.982、100.0%、0.960、96.2%。

表1 基于三維平掃CT影像組學(xué)特征不同機(jī)器學(xué)習(xí)模型檢測AD效能Tab 1 Efficacy of different machine learning models for detecting AD based on non-contrast CT 3D-radiomics features

圖2 各模型在驗證集上檢測AD的ROC曲線Fig 2 ROC curve for each model to detect aortic dissection in the validation set

圖3 6種機(jī)器學(xué)習(xí)模型的混淆矩陣Fig 3 Confusion matrix for 6 machine learning models

檢測Stanford A型AD的機(jī)器學(xué)習(xí)模型進(jìn)一步探究影像組學(xué)機(jī)器學(xué)習(xí)模型對Stanford A型AD的檢測效能。128個研究對象中有23例Stanford A型AD患者。1 905個特征經(jīng)過Spearman相關(guān)性分析和LASSO回歸降維后得到包括13個影像組學(xué)特征的最優(yōu)特征集合。特征篩選過程、最終的13個特征參數(shù)及相應(yīng)權(quán)重見圖4。

圖4 LASSO回歸篩選特征和確定最優(yōu)特征集Fig 4 LASSO regression for feature selection and optimal feature set determination

SVM、DT、RF、XGBoost、LghtGBM和ET在訓(xùn)練集和驗證集中檢測AD的效能見表2和圖5。結(jié)果顯示RF模型對Stanford A型AD的檢測能力最好。RF在訓(xùn)練集中的AUC、F1分?jǐn)?shù)、準(zhǔn)確度和召回率分別為0.999、0.976、99.0%、100.0%；在驗證集中分別為0.852、0.625、76.9%、100.0%。

圖5 各模型在驗證集上檢測Stanford A型AD的ROC曲線Fig 5 ROC curve for each model to detect Stanford type A AD in the validation set

討 論

本研究以增強(qiáng)CT掃描確診的AD為金標(biāo)準(zhǔn)，基于平掃CT影像組學(xué)方法分別構(gòu)建了檢測AD的6個機(jī)器學(xué)習(xí)模型，結(jié)果顯示XGBoost模型在識別AD上表現(xiàn)最佳，RF模型在檢測Standford A型AD上表現(xiàn)最佳，召回率均為100%。這表明通過影像組學(xué)機(jī)器學(xué)習(xí)模型，有望提高平掃CT對AD的診斷效能，從而提高平掃CT對非典型或無癥狀A(yù)D患者的檢出率，為有碘對比劑使用禁忌的患者、增強(qiáng)CT檢查受限或可及性不足地區(qū)的患者、以及擔(dān)憂碘對比劑腎病而不愿接受增強(qiáng)CT檢查的患者提供可行的替代檢查方式。

關(guān)于機(jī)器學(xué)習(xí)模型在CT圖像上檢測AD的價值，Harris等［18］開發(fā)了一種基于2維增強(qiáng)CT圖像的卷積神經(jīng)網(wǎng)絡(luò)模型，在檢測AD和主動脈破裂上表現(xiàn)出良好的性能，并通過外部驗證集證實。隨后，Cheng等［19］將U-Net深度學(xué)習(xí)模型應(yīng)用于增強(qiáng)后的CT橫斷面圖像，以實現(xiàn)主動脈的自動分割和診斷AD。研究結(jié)果顯示，該方法的準(zhǔn)確度高達(dá)85.0%。Tan等［20］在88例CT病例（43例AD患者和45例健康人）中比較了基于增強(qiáng)CT橫斷面圖像的3種CNN模型對AD的診斷性能，結(jié)果顯示DenseNet121性能最好，在驗證集中F1值和召回率均為0.968。上述研究僅利用二維影像數(shù)據(jù)構(gòu)建機(jī)器學(xué)習(xí)模型，沒有利用三維影像數(shù)據(jù)，且均基于增強(qiáng)CT圖像診斷AD，沒有嘗試基于平掃CT來檢測AD。因此在增強(qiáng)CT不可及或無法獲得的情況下，上述方法可能無法使患者受益。目前，國內(nèi)外已有學(xué)者研究深度學(xué)習(xí)模型在平掃CT上對AD的診斷價值。Hata等［21］構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型可在平掃CT的橫斷面圖像上診斷AD，在準(zhǔn)確性、敏感性和特異性方面，與放射科醫(yī)師對AD的診斷無統(tǒng)計學(xué)差異。Yi等［22］聯(lián)合形態(tài)學(xué)特征和深度學(xué)習(xí)特征構(gòu)建深度集成模型來診斷AD，結(jié)果顯示該模型的診斷準(zhǔn)確性與放射科醫(yī)師無統(tǒng)計學(xué)差異。然而，上述兩個研究均將深度學(xué)習(xí)模型與放射科醫(yī)師在平掃CT上識別AD的表現(xiàn)進(jìn)行比較，但他們并未將基于平掃CT的深度學(xué)習(xí)模型與放射科醫(yī)師基于增強(qiáng)CT識別AD的效能進(jìn)行比較。鑒于增強(qiáng)CT目前仍然是檢測AD的一線成像方式，加上放射科醫(yī)師基于平掃CT識別AD敏感度低、假陰性率高［14，23］，因此在增強(qiáng)CT使用受限的情況下，上述研究所構(gòu)建的模型是否可以作為增強(qiáng)CT的替代檢查方式來幫助識別AD有待進(jìn)一步驗證。

本研究基于影像組學(xué)特征分別應(yīng)用SVM、DT、RF、ET、LightGBM、XGBoost 6種機(jī)器學(xué)習(xí)算法進(jìn)行模型構(gòu)建，并計算AUC、準(zhǔn)確度、召回率、F1分?jǐn)?shù)及混淆矩陣指標(biāo)評價模型的效能。召回率是真實陽性樣本中的正確檢測比例，計算公式為：正確檢測為陽性的樣本數(shù)/真陽性樣本數(shù)。F1分?jǐn)?shù)同時兼顧了精確度和召回率，是對它們的調(diào)和平均。由于AD是心血管疾病中死亡率最高的疾病之一，所以提高該疾病的檢出率具有重要的臨床意義。根據(jù)專家共識［8］，增強(qiáng)CT識別AD的召回率為100%。本研究結(jié)果顯示，XGBoost模型在平掃CT上識別AD的召回率為100%。在檢測AD的能力上，該模型的表現(xiàn)可以被很好的接受。因此，在增強(qiáng)CT不可用或不可得的情況下，用該模型幫助放射科醫(yī)師識別AD具有可行性。另外，鑒于Stanford A型AD比Stanford B型AD發(fā)病更兇險，死亡率更高，更迫切需要緊急手術(shù)治療［24］，因此我們探究了影像組學(xué)機(jī)器學(xué)習(xí)模型識別累及升主動脈的Stanford A 型AD的效能。結(jié)果顯示，RF模型檢測出了所有A型AD患者，表明該模型有望對此類患者有所幫助。

在這6個機(jī)器學(xué)習(xí)模型中，DT的效能不佳，在檢測AD和A型AD的驗證集中AUC和F1分?jǐn)?shù)均低于其他模型，且在訓(xùn)練集和驗證集表現(xiàn)差異大，提示該模型存在過擬合。SVM是一種廣義的線性分類器模型［25］，在檢測AD以及Stanford A型AD上，SVM模型在驗證集的檢測性能均為第二，在訓(xùn)練集和驗證集的表現(xiàn)差異也較小，具有較好的準(zhǔn)確性。RF和ET是以決策樹為基分類器的集成模型。在檢測AD上，RF模型在驗證集實現(xiàn)了良好的檢測準(zhǔn)確性，AUC達(dá)0.896，但稍遜色于XGBoos和LightGBM模型。但在檢測Stanford A型AD上，RF模型的表現(xiàn)最好。ET的原理與RF類似，但具有更強(qiáng)的隨機(jī)性。在檢測AD上，ET模型在訓(xùn)練集與驗證集中表現(xiàn)出良好的檢測性能，在驗證集中AUC、F1分?jǐn)?shù)、準(zhǔn)確度分別為0.886、0.783、80.8%。然而，在檢測Stanford A型AD上，ET模型在訓(xùn)練集和驗證集表現(xiàn)差異較大。XGBoost模型和LightGBM模型都采用損失函數(shù)的負(fù)梯度作為當(dāng)前決策樹的殘差近似值，去擬合新的決策樹，因此均為基于決策樹的分布式梯度提升框架［26］。在檢測AD上，這2個模型均表現(xiàn)出優(yōu)于另外4個模型的性能，而XGBoost模型相較于LightGBM模型，對陽性AD樣本的檢出率更高。無論是檢測AD還是檢測Stanford A型AD，這2個模型性能差別較小。

本研究存在一些局限性。首先，這是一項單中心回顧性研究，不可避免地存在偏倚；其次，本研究的結(jié)論缺少外部數(shù)據(jù)的驗證；再次，本研究僅分析影像組學(xué)特征的診斷效能，未結(jié)合臨床特征建模；最后，本研究納入的樣本量較少，可能影響結(jié)果的準(zhǔn)確性。

綜上所述，本研究基于平掃CT的三維影像組學(xué)構(gòu)建了檢測AD及Stanford A型AD的機(jī)器學(xué)習(xí)模型。在檢測AD上XGBoost模型效能最佳，在檢測Stanford A型AD上RF模型效能最佳。通過機(jī)器學(xué)習(xí)，有望通過平掃CT提高非典型或無癥狀A(yù)D患者的檢出率，降低發(fā)生對比劑腎病的風(fēng)險，為有對比劑禁忌或增強(qiáng)CT不可及的患者提供可行的替代檢查方式。

作者貢獻(xiàn)聲明唐依琳 文獻(xiàn)調(diào)研和整理，數(shù)據(jù)收集、整理和統(tǒng)計，模型構(gòu)建，論文撰寫和修訂。張淥愷 論文構(gòu)思，數(shù)據(jù)收集和分析，技術(shù)指導(dǎo)。金倞 研究選題和設(shè)計，論文指導(dǎo)。王坤，楊玉玲數(shù)據(jù)收集和整理。李騁，馬莊宣 可行性分析，論文修訂。李銘 數(shù)據(jù)分析，項目統(tǒng)籌，論文修訂。

利益沖突聲明所有作者均聲明不存在利益沖突。