基于CT影像组学和深度学习的硅肺病影像分期预测研究.pdf

1230基于CT影像组学和深度学习的硅肺病影像分期预测研究Modern Practical Medicine,September 2023,Vol.35,No.9杨柳琼，李颖，郑建军【关键词】硅肺病；分期；CT影像组学；深度学习doi:10.3969/j.issn.1671-0800.2023.09.035【中图分类号】R816.5【文献标志码】A【文章编号】16 7 1-0 8 0 0(2 0 2 3)0 9-12 30-0 4尘肺病是劳动者在职业活动中长期吸入不同致病性的生产性粉尘，并在肺内潴留而引起的以肺组织弥漫性纤维化为主的一种全身性疾病,其中硅肺病是我国发病率最高、危害性最强的病种2。硅肺病的影像分期是目前主要的病情评估指标3,而分期诊断过程耗时费力、可重复性差，且由于胸片固有缺陷及诊断医师主观性的限制导致最后判别结果一致性差、误诊率高14-5。影像组学及深度学习方法作为医学影像分析的新手段可以挖掘到肉眼观察不到的深层次信息来进行分类和预测，进而无创、全面地评估疾病6-7。本研究探讨和比较基于CT影像组学及深度学习方法构建的多分类模型对于硅肺病影像分期的预测能力，现报道如下。1资料与方法1.1一般资料回顾性收集2 0 16 年1月至2 0 2 0 年12月宁波市第二医院经职业病诊断且具有明确硅尘接触史的2 45例患者的基本临床资料、分期结果及CT影像资料。纳入标准：（1)有明确的硅尘接触史；(2)在X线检查前/后1个月内接受CT检查；(3)有明确的依据GBZ70-2015职业性尘肺病的诊断3的专家小组鉴定的分期结果。排除标准：（1)除硅肺病外其他类型的尘肺病；（2)CT图像质量不能满足诊断要求；（3)合并其他病变，如肺感染性疾病、肺结核等。最终共纳入0 期（无矽肺）10 4例，I期矽肺病77例，II期矽肺病30 例,III期矽肺病2 4例。本研究经宁波市第二医院医学伦理委员会批准。1.2CT扫描方法采用 Siemens Somatom Defini-tionFlash及AS64排螺旋CT机行胸部CT扫描。扫描参数：管电压12 0 kV，自适应电流，视野342mm267mm，采集矩阵512 512，轴向图像层厚5mm，层间距5mm，以2 mm层厚重建成像，用此薄层图像重构MIP图像，投影厚度为10 mm，无间隔成像。1.3影像组学分析方法1.3.1图像分割与特征提取将MIP重建图像重采样至1mm1mm1mm的体素大小，导入3D-slicer软件（version4.11.0），先由1名有丰富经验的放射科医师在对分期结果不知情的情况下进行半自动图像分割，具体分割步骤：基于分水岭方法自动勾勒肺区域的边缘并选中，将叶以上支气管及血管排除在外以减少干扰，然后根据正常肺实质的CT值阈值(7 50 H U)减去正常肺组织区域,最后得到病灶加肺纹理区域，见图1。逐层进行勾画得到VOI，之后由另1名医师对其分割结果进行审核以提高准确性。使用Artificial IntelligenceKit(V3.3.0.R，G EH e a lth e a r e）软件对VOI进行特征提取，计算后得到一阶特征、形态学特征及纹理特征共10 7 个影像组学特征。1.3.2特征筛选与影像组学建模对影像组学特征进行归一化和标准化处理，按照7：3的比例随机分基金项目：宁波市影像医学临床医学研究中心(2 0 2 1L003)；宁波市省市共建医学重点学科（2 0 2 2-S02）作者单位：3152 11宁波，宁波大学医学部（杨柳琼、李颖)；宁波市第二医院（郑建军）通信作者：郑建军，Email：z h j n b 2 16 3.c o ma注：a为选中肺组织的区域；b为减去正常肺实质区域；c为得到病灶加肺纹理区域b图1ROI勾画示意图C现代实用医学2 0 2 3年9 月第35卷第9 期为训练组和验证组。依次采用相关性分析及梯度提升迭代决策树（GBDT)算法筛选出最有效的特征组合。基于这些特征采用支持向量机（SVM)进行机器学习，采用5折交叉验证法训练模型，并计算它们在验证集中的分类准确性。1.4深度学习分析方法（1)数据预处理：为了减少人工勾画主观性带来的差异，本研究使用全肺区域CT图像来训练深度学习模型，将三维的掩膜数据以切片的形式保存为分辨率512 512 大小的JPG格式，从而将三维数据转换成二维图像，通过缩放、随机剪裁等数据增强方法来增加模型对于不同数据分布条件下的适应能力。（2）深度学习模型建立：在Ubuntu系统下采用pytorch1.04深度学习库建模。按照4：1的比例随机分为训练组和验证组。选择Hao等8 发表的不确定性导向的图注意网络（UG-GAT)方法，这种方法不仅绕过对大规模标注数据集的要求，避免三维网络由于高维体输入而导致的过拟合缺陷，而且利用不同切片之间的空间关系。整个方法由特征提取器和CT图像分类器组成，分为两个阶段分别进行训练，见图2。所有试验均在单卡GTX2080 Ti 下进行。1.5统计方法采用R3.5.1软件和Python3.5.6软X,ERHXWXL(fo.fi.ft)转换为切片ResNet图像形式骨架3DCTL张2 D图像:1231:件进行分析，计数资料采用Fishers精确检验，符合正态分布的计量资料以均数土标准差表示，采用单因素方差分析。在训练组和验证组分别绘制受试者工作特征曲线(ROC)，计算曲线下面积(AUC)，同时使用准确度、敏感度、特异度等指标来检验模型的预测效能。P 0.05),见表 1。2.2影像组学分析筛选出7 个影像组学特征分别为偏度、伸长率、球度、为依赖熵、集群趋势、联合能量和强度，基于上述7 个特征建立的影像组学模型效能见表2。2.3深度学习模型的效能基于UG-GAT网络训练的硅肺病分期预测模型对0 I期硅肺病分类的AUC、准确率、敏感度、特异度均高于影像组学模型，见表3。3讨论按照目前的诊断标准,高千伏胸片仍是硅肺病(xo,xi.xL)分类头1(yo.u.yLL个向量提供不提供特确定性征结点*Yi E R(0,1,2,3)构建图不确定性由强到弱图注意力网络分类头2计算损失*Y;E R(0,1,2,3)以图像特征为结点的图图2 UG-GAT方法流程图表1一般资料情况因素性别例(%)男女年龄（岁）工龄(岁)0期(n=104)102(98.08)2(1.92)48.77.412.67.3I 期(n=77)76(98.70)1(1.30)49.27.310.86.1II期(n=30)30(100.00)049.17.214.19.4II期(n=34)33(97.06)1(2.94)49.28.413.87.1XF）值0.969(0.064)(2.299)P值 0.050.050.05:1232表2 影像组学模型在训练组和验证组中鉴别各期硅肺病的诊断效能指标训练组0期 I期 I期I 期0 期月I期II期I 期准确率(%)0.724敏感度（%）0.8330.5560.1900.7920.8120.4780.2220.900敏感度（%)0.96000.9310.6260.8540.9500.9710.3820.871特异度(%)0.6240.8060.9820.9590.6470.7870.9580.951特异度(%)0.9730.9430.9800.9750.8810.9211.0000.952F1分数0.7320.5770.2960.8090.7430.5000.3080.857F1分数0.96700.8980.6680.8520.9230.7870.5330.802AUC0.84500.8130.7840.976（分期的主要依据，但其由于密度分辨率低、组织重叠等原因不能清楚显示病灶，而CT图像克服了这些局限,在临床实际工作中参考CT图像已经成为医师对硅肺病进行影像分期诊断时不可或缺的重要环节。我国有学者尝试参照诊断标准探讨CT图像的小阴影密集度判定方法并进行诊断分期叫，结果显示CT和高千伏胸片对硅肺病分期诊断结果无明显差异，但两者对小阴影总体密集度的判断符合率低（59.0 5%），同样，该方法存在过程繁琐且严重依赖于诊断医师的主观视觉及诊断经验等问题。人工智能在医学影像领域的蓬勃发展为临床提供了一种新的分析思路，目前也已经有一些研究基于X线胸片训练深度学习模型用于硅肺病筛查与分期12-1,这表明了计算机系统辅助诊断硅肺病有助于提高诊断效率和准确性，具有重要的应用价值。但既往的研究重点都集中于分析胸片和筛查硅肺病方面，为了克服现有方法的不足，笔者对人工智能技术应用于基于CT图像的硅肺病影像分期诊断进行探索性研究，使用影像组学和深度学习方法分析学习硅肺病CT图像特征。本文结果显示两种模型在训练集和验证集均表现良好，能够较准确地鉴别0 期及各期硅肺病，可以为诊断提供一些基于图像衍生的用于硅肺病分期的放射学标志物。本研究利用同一批数据，分别建立了基于CT图像的传统影像组学模型和深度学习模型，评估其对于不同期别矽肺病的分类预测能力。本研究结果表明CT影像组学分析可以较准确地预测硅肺病分期，且深度学习技术可以进一步提高诊断的准确性，这可能与深度学习避免了人工提取特征这一过程有关，深度学习方法利用图像块进行特征提取，避免了分割病灶这一过程，在一定程度上降低了人为因素导致的误差。另外深度学习技术可以获得更高层次及更丰富的特征，并能保留图像的全局信息，也可Modern Practical Medicine,September 2023,Vol.35,No.9表3深度学习模型在训练组和验证组中鉴别各期硅肺病的诊断效能验证组指标0.738准确率(%)0.84500.7310.8310.950AUC能进一步提高预测性能。本研究的局限性：（1)为单中心研究，缺乏外部验证；（2)由人工手动分割图像，存在一定的主观影响；（3)缺乏更多的临床信息。利益冲突所有作者声明无利益冲突参考文献1 The lancet.Improving occupational health in ChinaJ.Lancet,2019,394(10197):443.25张墨慧,黄磊,石璐，等.中国人群尘肺病疾病负担的系统评价.中国循证医学杂志,2 0 2 1,2 1(3)：2 7 6-2 8 3.3】中华人民共和国国家卫生和计划生育委员会.职业性尘肺病的诊断：GBZ702015S.北京：中国标准出版社,2 0 16.4弓张镭琢,梁实,李智民.19 9 0 一2 0 18 年我国尘肺病诊断读片差异的中文文献研究.职业卫生与应急救援,2 0 19,37(5):42 0-42 4,452.5 MCBEAN R,TATKOVIC A,EDWARDS R,et al.What does coalmine dust lung disease look like?Aradiological review followingre-identification in QueenslandJJ.J Med Imaging Radiat Oncol,2020,64(2):229-235.6 LAMBIN P,RIOS-VELAZQUEZ E,LEIJENAAR R,et al.Radi-omics:Extracting more information from medical images using ad-vanced feature analysisJ.Eur J Cancer,2012,48(4):441-446.7WANG L,WANG H,HUANG Y,et al.Trends in the application ofdeep learning networks in medical image analysis:Evolution be-tween 2012 and 2020J.Eur J Radiol,2022,146:110069.8HAOJ,LIU J,PEREIRA E,et al.Uncertainty-guided graph atten-tion network for parapneumonic effusion diagnosisJ.Med ImageAnal,2022,75:102217.9李永宝,叶圣利.胸部DR与螺旋CT在矽肺早期诊断中的应用比较.现代实用医学,2 0 15,2 7(1):10 9-110.10金盛辉,柳澄,王焕强.尘肺病胸部CT规范化检查技术专家共识(2020年版)J.环境与职业医学,2 0 2 0,37(10):9 43-9 49.11翟荣存,李年春,刘晓东,等.尘肺病小阴影密集度的CT分级方法及参考片探讨.中华劳动卫生职业病杂志,2 0 2 1,39(6):453-457.12 JIAOZ,GAO X,WANG Y,et al.A deep feature based frameworkfor breast masses classificationJ.Neurocomputing,2016,197:221-231.13 OKUMURA E,KAWASHITA I,ISHIDA T.Computerized Classification of Pneumoconiosis on Digital Chest Radiography Artific ialNeural Network with Three StagesJ.J Digit Imaging,2017,30(4):413-426.训练组0期I期II期II 期0 期I期I期I期0.9500.9100.9840.9580.9250.9690.9730.95440.88440.956验证组现代实用医学2 0 2 3年9 月第35卷第9 期14 ZHANG L,RONG R,LI Q,et al.A deep learning-based model forscreening and staging pneumoconiosisJ.Sci Rep,2021,11(1):2201.15 DRIVER C N,BOWLES B S,BARTHOLMAI B J,et al.Artificial.1233Intelligence in Radiology:A Call for Thoughtful ApplicationJ.Clin Transl Sci,2020,13(2):216-218.收稿日期：2 0 2 3-0 5-12(本文编辑：陈志翔）初发未治疗抑郁症患者静息态脑网络度中心度分析李轶，俞瀛一，王冠军，胡希文，陈松，尹岩【关键词】抑郁症；功能磁共振；度中心度；功能连接；大脑网络节点doi:10.3969/j.issn.1671-0800.2023.09.036【中图分类号】R749.4【文献标志码】A抑郁症(MDD)以情绪低落为主要症状，并伴随一系列相关的症状（如快感缺失、自杀意念、食欲减退及睡眠障碍等）。据世界卫生组织统计，MDD将成为导致患者失能的主要原因。目前对MDD的研究大多集中于大脑网络的研究，如功能链接(FC)。大脑网络节点是大脑网络中的重要构成，度中心度(DC)通过静息态功能磁共振数据，分析一个脑区与其余大脑组织瞬时的功能连接从而反映这一脑组织在大脑网络中的节点功能2-1。本文拟通过DC来反映大脑网络节点的功能，分析初发未治疗MDD患者大脑网络特征，从而揭示初发MDD患者可能的脑网络节点特征，报道如下。1资料与方法1.1一般资料收集2 0 16 年11月至2 0 2 0 年12 月于杭州市第七人民医院就诊，符合国际疾病分类(ICD-10)诊断标准，并由两名以上精神科医师确诊的初发未经治疗的MDD患者40 例抑郁组，汉密尔顿2 4项抑郁量表评分（HAMD-24)24分1，排除标准：（1)其他精神疾病，如双相情感障碍、精神分裂症等；（2)器质性病变如肿瘤及神经退行性疾病等；（3)不适合或不能完成MRI检查的患者，如幽闭综合征、体内金属植入物不能行MRI检查等；（4）接受过抗精神病治疗，如服用过任何一种抗精神病药物、接受作者单位：310 0 13杭州，杭州市第七人民医院通信作者：李轶，Email：l i y i z j h z h o t m a i l.c o m【文章编号】16 7 1-0 8 0 0(2 0 2 3)0 9-12 33-0 3抑郁组年龄（年）26.93.9性别(男/女)40(13/27)受教育时间（年)13.91.8HAMD-24评分（分）2 7.6 5.2注：HAMD-24为汉密尔顿2 4项抑郁量表评分过无抽搐电休克（MECT)或重复经颅磁刺激（rTMS)治疗等；（5)直系亲属中存在精神疾病病史；（6)由于各种原因，不能独立完成临床相关量表评估；（7）存在磁共振扫描禁忌证者。另同期从社会招募年龄、性别比例、受教育程度相匹配的健康对照者40 例(对照组，HAMD-24评分0.05)，见表1。研究对象均接受功能磁共振(fMRI)检查，且被告知实验目的、注意事项，并签署知情同意书。本研究经过杭州市第七人民医院伦理审查委员会批准（批准号：研2023-021)。1.2仪器与方法研究对象采用GEHDXT1.5T磁共振仪，8 通道头部线圈，扫描序列3DT,WI、BOLD。3D T,WI 扫描参数如下：TR500mS，T E19ms，FA 8 5，FO V 2 40 m m 2 40 m m，扫描矩阵256x256，层厚1mm，扫描时间4min30S。BO LD序列参数如下：TR2000ms,TE30ms,FA85,FOV240mm240mm，矩阵6 46 4，扫描层厚3mm，层间距1 mm,扫描时间6 min。1.3统计方法使用基于METLAB2018B平台的DPABI5.1统计软件和SPSS20.0统计软件对数据表1两组一般资料比较项目对照组t(x）值P值28.97.70.7150.0540(15/25)(0.220)0.0514.12.00.5270.052.30.745.2000.05