宫颈癌CT图像诊断系统对淋巴结勾画的效能评估

张秀明，沈文荣，乔伟，蒋玉婷，白晨光，贡震，陈欢，徐寒子*

1.江苏省肿瘤医院CT 室，江苏南京 210009；2.南京大学电子科学与工程学院，江苏南京 210046；3.南京市妇幼保健院妇科，江苏南京 210011；4.江苏省肿瘤医院妇科放疗科，江苏南京 210009； *通讯作者 徐寒子 benben_cat@126.com

宫颈癌是女性常见的恶性肿瘤，其发病率居第二位，仅次于乳腺癌[1]。宫颈癌的治疗方法主要为早期手术切除。无法切除者行局部放射治疗，疗效尚佳[2]。选择治疗方案前准确评估肿瘤及淋巴结情况具有重要意义。CT 扫描可准确显示宫颈体积及引流区淋巴结情况，是宫颈癌的常规检查方法[3]。随着人工智能的发展，智能阅片已成为研究热点[4]。本研究拟分析基于卷积神经网络（convolution neural networks，CNN）的宫颈癌图像诊断系统与高年资医师人工阅片对CT 断层图像淋巴结判别的一致性及诊断效能。

1 资料与方法

1.1 研究对象 收集江苏省肿瘤医院影像科PACS 系统内2017年3—12月妇科放疗科及妇瘤科收治的经活检或手术证实的宫颈癌患者56例，年龄22～73岁，平均（43.2±13.5）岁。纳入标准：①首次行CT检查，且检查前均未行放疗、化疗及PET/CT检查；②双侧盆壁至少包含1枚淋巴结；③有薄层腹部CT图像（层厚1 mm）。排除标准：①患有弥漫性转移性病变、宫腔内有节育环伪影较大者；②广泛炎性粘连性病变；③大量盆腔积液及其他伪影较大者。

1.2 CT检查 使用GE Discovery CT750 HDCT 或Hispeed NX/i 扫描仪，管电压均为120 kV。Discovery CT750 HDCT 扫描仪采用自动毫安秒技术；Hispeed NX/i 扫描仪管电流为400 mAs、层厚5 mm、层间距5 mm、重建层厚1 mm。对比剂为碘海醇100 ml，注射速度2 ml/s。扫描范围从膈肌上缘到耻骨联合下缘。图像观察采用腹窗，窗宽350，窗位40。

1.3 图像诊断系统勾画淋巴结及人工图像 观察基于CNN 建立宫颈癌图像诊断系统。该系统使用GoogLeNet 网络进行二分类和Faster R-CNN 进行目标检测，使用与淋巴结大小相适应的方框勾画出淋巴结。由2名影像科副主任医师共同对每位患者的CT图像选取10枚位置、大小、密度与淋巴结相近的血管断面作为阴性对照，并对勾画的淋巴结图像进行人工阅片记录。为保证人工阅片的准确性，由2名影像科副主任医师进行双盲阅片。达成一致意见后分别记录淋巴结大小、位置、有无坏死等情况，以及图像诊断系统相应勾画情况。

1.4 统计学方法 应用SPSS 17.0 软件，诊断系统与人工阅片的一致性分析采用Kappa检验。P<0.05表示有统计学意义。计算诊断系统对淋巴结勾画的敏感度及特异度，绘制受试者工作特征（ROC）曲线，并计算曲线下面积。

2 结果

2.1 图像诊断系统未能识别的淋巴结 56例患者共679枚淋巴结中，36枚未能被诊断系统勾画出。①16枚淋巴结短径<0.5 cm，均未合并坏死，其中5枚位于宫颈癌淋巴结常见引流区，即腹膜后、髂总血管旁及双侧盆壁；11枚位于非常规引流区，如髂内血管旁。②14枚淋巴结短径0.5～2.0 cm，其中2枚位于常规位置合并坏死；4枚位于非常规位置合并坏死；3枚位于常规位置不合并坏死；5枚位于非常规位置不合并坏死。③6枚淋巴结短径>2 cm，其中1枚位于常规位置合并坏死；2枚位于非常规位置合并坏死；1枚位于常规位置不合并坏死；2枚位于非常规位置不合并坏死。

2.2 图像诊断系统未能排除的对照结节 诊断系统将560枚对照结节误诊的78枚淋巴结位于常规位置，淋巴结短径<0.5 cm，不合并坏死；482枚准确排除。典型病例见图1、2。

2.3 一致性分析Kappa检验结果显示，诊断系统与人工阅片具有高度一致性（Kappa=0.813，P<0.01）。以此为标准计算得出图像诊断系统对淋巴结勾画的敏感度为94.70%，特异度为86.07%，ROC 曲线下面积为0.904（图3）。

图1 女，46岁，图像诊断系统勾画错误的淋巴结与对应正确的淋巴结勾画图像。诊断系统将腹主动脉左旁细小的血管错认为淋巴结（A）；诊断系统未能识别出较大的腹膜后淋巴结后方1枚小淋巴结（B）；诊断系统将左侧盆壁小血管误认为小淋巴结（C）；左侧盆壁有多枚淋巴结，诊断系统仅勾画出其中1枚（D）；红框示诊断系统勾画淋巴结情况，绿框示左列相对应CT图像人工勾画

图2 女，52岁，影像诊断系统勾画正确的淋巴结。腹膜后淋巴结勾画（A）；双侧盆壁淋巴结勾画（B）

图3 影像诊断系统的ROC 曲线

3 讨论

随着科技的发展，人工智能诊断在医学中的应用已取得重大进步[5-6]。CNN 作为深度学习领域的一个分支，在图像处理领域得到广泛应用，其可模拟动物的视觉认知行为，无需人工提取任何特征，仅需要将原始图像输入模型即可完成对图像的分类，是一种有效的图像分析算法[7-9]。本研究选取基于CNN 的宫颈癌图像诊断系统，通过大量的宫颈癌淋巴结图像学习、识别、影像科医师修正后再学习过程，从图像中对目标淋巴结进行识别。前期诊断系统对于出现频率较高的同类型淋巴结学习次数较多，后期对此类淋巴结识别的敏感度及特异度均会增加。本研究结果显示图像诊断系统与人工阅片具有高度一致性，ROC 曲线下面积为0.904，敏感度为94.70%、特异度为86.07%。同时诊断系统对淋巴结可进行快速勾画，可见图像诊断系统进行淋巴结勾画具有高效、准确、稳定的优点。

本研究结果显示，诊断系统勾画78枚非淋巴结结节，主要缘于将轻度强化的较细血管误认为小淋巴结，推测主要是诊断系统对于淋巴结常见位置出现的与淋巴结密度值相近的结节状影误认为淋巴结。诊断系统勾画淋巴结缺乏人工阅片对多层图像连续观察综合分析的能力。人工阅片可通过连续的图像观察区分某一断层的小结节影，诊断系统所接收的信息各层面均独立存在，故造成此类错误。另有36枚淋巴结诊断系统未能准确勾画，其主要原因为：①非常规位置出现的淋巴结，如宫颈癌的淋巴结主要位于肾门水平以下腹膜后主腔血管间及腹主动脉左旁[10]。对于某些非常规位置淋巴结，前期诊断系统学习过程中所接收到的图像信息此种位置的较少。②血管较多的区域内合并淋巴结存在，图像诊断系统无法完全从较多的血管断面中识别出合并的小淋巴结，尤其在淋巴结强化相对明显与血管灰度值相差较小的情况下。③宫颈癌患者淋巴结较多时，图像诊断系统仅识别部分淋巴结，且以常见位置淋巴结识别为主，故出现遗漏。④对于合并坏死的肿大淋巴结图像诊断系统的识别度欠佳，推测由淋巴结灰度值的改变所致。

本研究以宫颈癌患者的淋巴结为研究对象，原因是无论外科手术或放射性治疗均需对淋巴结进行准确勾画，并依据淋巴结短径、是否位于引流高危区选择是否进行处理[11]。CT图像可较好地显示宫颈癌各区域的淋巴结[12]；人工阅片首先需确定淋巴结，然后根据淋巴结的长、短径及其比值、形态、边缘是否模糊、强化是否均匀，以进一步判断性质[13]。依据美国肿瘤放射治疗协作组织和美国国立综合癌症网络颁布的《关于宫颈癌调强放疗靶区勾画指南》，靶区勾画原则是淋巴结短径>1 cm 或PET/CT为阳性[14-15]。如影像学结果提示淋巴结转移为阴性，放射野亦应覆盖髂外淋巴结、髂内淋巴结、闭孔淋巴结和骶前淋巴结群[16]。由此可见，PET/CT 摄取阳性对于淋巴结性质的判定具有较高的价值。但由于费用较高，并非所有患者均能够在治疗前接受PET/CT检查；而淋巴结短径可提供治疗依据。因此，临床治疗首先需明确淋巴结的存在，即影像检查对淋巴结应具有良好的可见性。与PET/CT 及MRI 相比，CT检查具有速度快、范围广、费用相对较低等优势，仍是宫颈癌患者的主要检查方法，且基本可满足上述临床治疗原则。因此，这一图像诊断系统目前阶段即为能够准确勾画出所有引流区及其他非常规引流区内出现的不同大小的淋巴结，为临床治疗方案的制订提供帮助，降低非影像专业临床医师勾画靶区时漏画淋巴结的几率。

总之，基于CNN 的宫颈癌图像诊断系统通过模拟动物视觉认知功能及前期病例的学习可准确地勾画出宫颈癌患者CT图像中的淋巴结。如去掉短径<0.5 cm 的淋巴结（大部分无临床意义），诊断系统的敏感度及特异度将会进一步提升，从而为临床工作提供良好的辅助作用。