基于胸部X线卷积神经网络模型诊断儿童不同病原体社区获得性肺炎

胡莎莎，朱永北，董 迪，王 蓓，王 驰，周作福，徐保平，刘秀云，彭 芸*

(1.国家儿童医学中心 首都医科大学附属北京儿童医院影像中心，5.呼吸科，北京 100045；2.北京航空航天大学医学科学与工程学院，北京 100191；3.中国科学院自动化研究所，北京 100190；4.福建省妇幼保健院放射科，福建 福州 350000)

肺炎是全球范围内儿童住院和死亡的主要原因，每年有近1.2亿新发病例和100万儿童死亡[1]；儿童社区获得性肺炎(community acquired pneumonia，CAP)占全世界5岁以下儿童死亡总数的16%[2]。CAP常见病原为病毒、细菌和肺炎支原体(mycoplasma pneumoniae，MP)，针对不同病原体治疗方法亦有所不同。胸部X线摄影是影像学检查呼吸系统疾病的主要方法之一[3]，诊断儿童CAP的挑战在于临床症状、炎症标志物和放射学征象虽可在一定程度上提示病原体，但并不能完全区分[4-5]。基于深度学习(deep learning，DL)的人工智能算法已逐渐用于识别及诊断胸部病变[6-9]。本研究评价以胸部X线片训练卷积神经网络(convolutional neural network，CNN)模型诊断儿童不同病原CAP的价值。

1 资料与方法

1.1 研究对象 回顾性分析2013年1月—2018年12月1 769例于首都医科大学附属北京儿童医院临床诊断的CAP患儿，男1 107例，女662例，年龄10天～18岁，平均(3.3±3.1)岁；根据病原学诊断分为病毒组(n=487)、细菌组(n=496)及MP组(n=786)。排除标准：①合并其他局部或全身性疾病；②胸部X线片质量不佳。检查前患儿家属均签署知情同意书。

1.2 仪器与方法 采用Kodak Healthineers DR7500全数字化X线摄影系统，行站立后前位或前后位投照或仰卧位投照；靶片距100～160 cm，根据患儿年龄及体质量设定曝光条件。

1.3 图像分析 由2名具有5年以上工作经验的影像科医师在不知晓病原学诊断的情况下独立阅片，观察病变部位及密度特点，并记录是否出现空洞、胸腔积液、胸膜增厚或肺过度通气情况等，意见不一致时经协商达成一致。向XLSorDL卷积模型[10]输入胸部X线片，系统自动提取双肺轮廓进行分割，并将分割出的双肺定义为全肺ROI(图1)。采用ITK-SNAP软件沿边缘手动勾画病变区域，系统自动根据手动分割边界框裁剪病变区域，得到病灶ROI(图2)。

图1 患儿男，2岁，病毒性肺炎 A.胸部正位片；B、C.系统自动提取(B)双肺轮廓并分割(C)；D.获取全肺ROI

图2 患儿男，4岁，病毒性肺炎 A.胸部正位片；B.手动勾画病变区域；C.系统自动分割病变区域；D.获取病灶ROI

1.4 模型选择与训练 将数据随机以7∶1∶2比例分为训练集、验证集和测试集；各数据集再分为病毒亚组、细菌亚组及MP亚组。将测试集按性别分为男性亚组和女性亚组、以年龄中位数为分界线分为高年龄亚组和低年龄亚组，以Pytorch平台分别基于训练集和验证集全肺ROI和病灶ROI数据训练全肺模型和局部模型：采用标准Densenet模型，将全肺ROI调整为224×224，病灶ROI调整为160×160，以最小批量为32的Adam算法优化模型，学习速率设置为0.001，动量系数设置为0.9。

1.5 统计学分析 采用Python统计包Scipy.stats进行统计分析，以±s表示计量资料，组间比较采用方差分析；以频数表示计数资料，组间比较采用χ2检验。采用混淆矩阵计算模型对于测试集的准确率、精确度，评估模型整体效能；绘制受试者工作特征(receiver operating characteristic，ROC)曲线，计算曲线下面积(area under the curve，AUC)，评估模型诊断测试集不同病原体CAP的效能，AUC≤0.7为效能较低，0.70.9为效能较高。以Delong检验评价各模型诊断效能的差异。P<0.05为差异有统计学意义。

2 结果

2.1 一般资料 训练集、验证集与测试集各亚组患儿性别及年龄差异均有统计学意义(P均<0.05)，见表1。

表1 不同病原体CAP患儿一般资料比较

2.2 X线征象 3组间病变累及范围差异有统计学意义(P<0.05)，病毒组多累及双肺，MP组多累及单侧肺；受累肺组织密度改变特点差异有统计学意义(P<0.05)；病毒组出现肺过度通气者、细菌组出现空洞者明显多于其余2组(P均<0.05)；3组胸腔积液及胸膜增厚差异均无统计学意义(P均>0.05)。见表2。

表2 儿童不同病原体CAP胸部X线征象比较

2.3 诊断效能 全肺模型诊断不同病原CAP的准确率和精确度分别为61.85%、63.77%，局部模型诊断准确率和精确度分别为58.04%、54.05%。全肺模型诊断病毒性和细菌性CAP效能较高，AUC明显高于局部模型(P均<0.01)；局部模型诊断MP性CAP效能较高，但其AUC与全肺模型差异无统计学意义(P=0.14)，见表3。

表3 CNN模型预测儿童不同病原体CAP的效能

2.4 分层分析 全肺模型和局部模型诊断测试集男性亚组和女性亚组不同病原CAP的AUC差异均无统计学意义(P均>0.05)。2种模型诊断高年龄亚组和低年龄亚组病毒及细菌性CAP的AUC差异均无统计学意义(P均>0.05)，而诊断MP性CAP的AUC差异均有统计学意义(P均<0.05)。见表4。

表4 CNN模型诊断儿童不同病原体CAP分层分析AUC比较

3 讨论

儿童CAP早期胸部X线片可出现明显异常征象，此时临床症状及肺部体征可能并不明显，胸部X线片虽无法做出具体病原学诊断，但有助于缩小诊断范围。本研究基于CAP患儿胸部X线征象建立CNN模型，以诊断儿童不同病原CAP。

不同病原CAP胸部X线表现有所不同。病毒性CAP多呈间质性改变，细菌性CAP多以实质性改变为主，但二者亦有重叠而较难区分。MP性CAP病变多局限于气道壁、甚至小气道和呼吸性细支气管，胸片可见支气管周围浸润、网状结节、斑片状和局灶性实变[11-12]，但仅据X线平片较难鉴别。

参照既往文献[3]报道，本研究采用基于CNN的算法，利用一组神经元对给定图像进行卷积，并从中提取相关特征，以处理CAP分类问题。YUE等[13-14]通过DL模型区分正常与CAP胸部X线片，所获诊断结果可媲美影像科医师。本研究采用DL算法自胸部X线片中挖掘具有价值的特征，以鉴别儿童CAP的病原体，并优化出2种模型，其中全肺模型的整体诊断效能优于局部模型，其诊断病毒性和细菌性CAP的效能较高，而局部模型诊断MP性CAP效能较高，但与全肺模型差异无统计学意义(P>0.05)，提示胸部X线片整体可能包含与特定疾病相关的影像学特征，而不仅仅是病变部位。胸部X线片中CAP可表现为全肺或部分肺叶实变合并支气管扩张、胸腔积液或间质浸润等[14]，而手动勾画病灶时多选择病变严重且明显的区域，具有主观性，导致全肺模型的诊断效能更佳。本研究对测试集按照性别和年龄进行分层分析，发现2种模型仅诊断高年龄亚组和低年龄亚组MP性CAP的AUC存在差异，可能与患儿平均年龄较大有关。

本研究的局限性：①CAP病原学分类未涉及结核、真菌等其他病原体；②为单中心、回顾性研究，可能存在数据偏倚。

综上所述，基于胸部X线片建立CNN模型诊断儿童不同病原体CAP具有可行性，对指导临床用药、降低儿童肺炎死亡率具有重要意义。