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[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)會延誤診治,常會導致嚴重的后果,如膀胱攣縮和腎衰竭[5-6]。雖然組織病理學或尿液培養(yǎng)找到結(jié)核分枝桿菌是腎結(jié)核確診的金標準,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)學改變,增強CT掃描還能夠顯示腎臟灌注和排泄的功能學變化。CT掃描對腎結(jié)核的診斷和治療有較高的臨床價值[7]?；诰矸e神經(jīng)網(wǎng)絡(luò)的深度學習是人工智能(artificial intelligence,AI)的一個重要分支,與傳統(tǒng)機器學習不同,深度學習具有高度靈活性,并且支持自動特征提取,在各個領(lǐng)域的應用越來越廣泛[8]。將基于深度學習的醫(yī)學圖像分析應用于計算機輔助診斷(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程的準確性和效率[9]。近年來,深度學習在結(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)核放射診斷研究報道中尚未見AI深度學習模型的應用[12-13]。本研究基于多期相CT掃描圖像構(gòu)建深度學習模型用于腎結(jié)核的診斷,以評估AI深度學習模型在腎結(jié)核放射診斷中的應用價值。

對象和方法

1.研究對象: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)學中心收治,并經(jīng)組織病理學或臨床確診的腎結(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診斷報告為金標準。腎癌的病理類型包括轉(zhuǎn)移瘤(來源于肺癌)、透明細胞癌;腎臟良性腫瘤的病理類型包括血管平滑肌脂肪瘤和囊性腎瘤;腎炎的病理類型為慢性腎盂腎炎。根據(jù)納入和排除標準,最終納入200例患者共400個腎臟的CT圖像數(shù)據(jù),包括101個正常腎臟和299個病變腎臟。病變腎臟包括114個腎結(jié)核、37個腎盂腎炎、66個腎腫瘤(40個惡性,26個良性)、20個腎積水、62個腎囊腫。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個非腎結(jié)核(62例腎結(jié)核患者中20例患者合并對側(cè)腎積水、12例患者合并對側(cè)腎囊腫、30例患者合并對側(cè)正常腎臟;另31例患者共50個單純性腎囊腫(19例患者雙腎腎囊腫);30例患者共40個腎惡性腫瘤(10例患者雙腎轉(zhuǎn)移瘤);26例患者共26個腎良性腫瘤;25例患者共37個腎盂腎炎(12例患者雙腎腎盂腎炎))。最后按8∶2的比例分為訓練集(腎結(jié)核:85個;非腎結(jié)核:235個)和測試集(腎結(jié)核:29個;非腎結(jié)核:51個)。

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

3.檢查方法:采用320排檢測器的CT掃描儀(Aquilion ONE,日本東芝公司),掃描過程包括腎臟平掃期、皮髓質(zhì)期、實質(zhì)期和排泄期的腹部增強掃描。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.圖像分割和預處理:所有CT圖像以原始圖像和原圖分辨率的DICOM格式導入北京醫(yī)準智能科技有限公司的達爾文智能科研平臺(http://www.yizhun-ai.com)。應用平臺中的AI自動輔助標注功能對腎臟進行逐層勾畫,通過逐層二維的感興趣區(qū)(region of interest,ROI)勾畫以獲得整個腎臟的感興趣體積(volume of interest,VOI)。由1位低年資腹部影像診斷醫(yī)師對VOI進行審查,如果局部勾畫效果不理想,則進一步手動修改。接下來,由1位高年資腹部影像診斷醫(yī)師重新審查勾畫結(jié)果,對VOI的勾畫做出最終判斷。

為了提升模型性能和穩(wěn)定性,本研究在訓練深度學習模型前對輸入圖像進行了預處理,包括對輸入圖像數(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)之間可比性的問題。調(diào)整圖像大小旨在保證數(shù)據(jù)的一致性。此外,還應用了隨機水平翻轉(zhuǎn)和旋轉(zhuǎn)的數(shù)據(jù)增強方法來減少模型過度擬合的風險。

5.深度學習模型的構(gòu)建:(1)深度學習模型的訓練:使用ResNet18和ResNet50網(wǎng)絡(luò)對腎臟平掃期、皮髓質(zhì)期、實質(zhì)期和排泄期CT圖像分別進行深度學習模型的訓練。(2)模型訓練參數(shù):輸入模型的數(shù)據(jù)批量大小為32,總共進行150輪次訓練,學習率為0.0001,采用隨機梯度下降算法作為優(yōu)化器,采用交叉熵損失函數(shù)來衡量模型預測概率分布與真實概率分布之間的差異。

結(jié) 果

1.臨床資料:在訓練集和測試集中,結(jié)核組平均年齡均明顯小于非結(jié)核組,差異有統(tǒng)計學意義。兩組性別分布的差異無統(tǒng)計學意義。具體見表1。

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

2.深度學習預測模型的診斷效能:基于腎臟各單期(平掃期、皮髓質(zhì)期、實質(zhì)期和排泄期)CT圖像,分別應用ResNet18和ResNet50模型預測診斷腎結(jié)核。測試集中,基于腎臟各單期的ResNet18模型的AUC、敏感度、特異度、準確率和F1分數(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。其他具體指標值見表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,見圖1、2。

圖1 基于腎臟各單期ResNet18模型在測試集中診斷腎結(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圖像建立的深度學習模型預測腎結(jié)核的效能

討 論

早期發(fā)現(xiàn)和及時治療對提高腎結(jié)核的治愈率和改善預后至關(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)驗并且花費大約5～10 min來閱讀和分析CT圖像,才能對一處腎臟病灶是否為腎結(jié)核做出判斷。據(jù)資料顯示,我國醫(yī)療影像數(shù)據(jù)每年以30%的速度增長,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)量難以滿足患者影像學檢查日益增長的需求,導致誤診、漏診在所難免。因此,筆者嘗試利用合適的深度學習模型結(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。

影像組學是傳統(tǒng)的機器學習方法,通過對醫(yī)學影像數(shù)據(jù)中的大量圖像特征來進行定量化分析和挖掘,揭示與疾病發(fā)生、發(fā)展及治療反應相關(guān)的潛在信息和特征[15]。而深度學習是更先進的機器學習方法,通過構(gòu)建和訓練復雜的多層神經(jīng)網(wǎng)絡(luò)架構(gòu)將輸入信息轉(zhuǎn)換為多個抽象層級,從而實現(xiàn)對數(shù)據(jù)的自動學習和抽取特征[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),建立學習模型,它們分別由17個卷積層和1個全連接層、49個卷積層和1個全連接層組成構(gòu)建。以ResNet18為例,ResNet18 中的后綴編號代表了神經(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,可能是由于訓練樣本量偏少的約束,ResNet50在相對較少的訓練樣本時得不到充分訓練,因此,不能發(fā)揮其復雜模型的優(yōu)勢。Lin等[19]在關(guān)于深度學習模型預測腎透明細胞癌高、低級別分級的研究中發(fā)現(xiàn),層數(shù)越簡單的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)較復雜的模型需要更大規(guī)模的訓練數(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)核的常見征象是腎實質(zhì)內(nèi)的低密度病灶[20-21],這些病灶往往在皮髓質(zhì)期強化最佳,這時病灶與腎實質(zhì)之間的CT值差異相對最大,常形成類似于“花瓣狀”的形態(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,這可能是因為腎結(jié)核的另一個常見征象是腎積水或積膿[21],腎盞、腎盂擴張等形態(tài)改變,排泄期積水擴大的腎盞、腎盂內(nèi)碘對比劑呈高濃度積聚,CT值明顯升高,這可能有助于提高模型判斷的準確性。

本研究中,深度學習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勾畫是在腎臟上逐層進行的,從而得到了整個腎臟三維層面的VOI。三維層面的勾畫能夠更準確、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)是當前被廣泛認可為最穩(wěn)定和可靠的網(wǎng)絡(luò)模型之一,并在醫(yī)學深度學習研究中廣泛應用[22]。為了節(jié)約資源和提高效率,筆者沒有將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用價值,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)核的深度學習模型此前未見報道,但深度學習模型在其他部位結(jié)核病中的應用研究方興未艾,取得了較好的效果。Ma等[24]基于多層螺旋CT圖像構(gòu)建深度學習模型檢測與驗證活動性肺結(jié)核中AUC值達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)建了新的深度學習分類模型用于輔助診斷脊柱結(jié)核發(fā)現(xiàn)該模型預測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習模型輔助診斷腎結(jié)核,對腎臟病變的性質(zhì)進行結(jié)核病或非結(jié)核病兩分類判斷,實現(xiàn)了較好的診斷效能。但是,臨床實踐中只是判斷結(jié)核病或非結(jié)核病尚且不夠,如果是非結(jié)核病還需要進一步明確病變性質(zhì)。因此,基于深度學習的多分類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,納入樣本量相對較小,未來將基于多中心大樣本量數(shù)據(jù)進一步提高模型的穩(wěn)定性及準確性。其次,當前使用的AI自動輔助勾畫功能尚不完善,需要人工修正,費時費力的同時還可能會降低研究結(jié)果的可重復性。未來分割更準確、需要更少的人工干預甚至不需要人工干預的腎臟分割模型將會進一步提高研究效率和增強結(jié)果的可靠性。最后,受限于研究時間段內(nèi)所納入研究對象腎臟疾病譜種類和數(shù)量的限制,本研究所得到的AI深度學習模型的診斷效能可能存在一定的偏倚,因為病種的構(gòu)成比和病變的嚴重程度會對敏感度、特異度等診斷效能指標產(chǎn)生影響。

綜上,基于多期相CT圖像的ResNet18模型對腎結(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用價值。

利益沖突所有作者均聲明不存在利益沖突

作者貢獻易婉晴:醞釀和設(shè)計實驗、實施研究、采集數(shù)據(jù)、分析/解釋數(shù)據(jù)、起草文章、統(tǒng)計分析;鄭雪怡:分析/解釋數(shù)據(jù)、起草文章、統(tǒng)計分析;張狀:采集數(shù)據(jù)、統(tǒng)計分析;孫維榮:分析/解釋數(shù)據(jù)、對文章的知識性內(nèi)容作批評性審閱;袁小東:醞釀和設(shè)計實驗、對文章的知識性內(nèi)容作批評性審閱、獲取研究經(jīng)費、指導