基于多期相CT图像的深度学习ResNet18和ResNet50模型诊断肾结核的效能比较

易婉晴 郑雪怡 张状 孙维荣 袁小东

结核病在许多发展中国家广泛流行,可以累及身体的任何部位,泌尿生殖系统经常受到累及,占肺外结核的15%～20%,而肾结核则在泌尿生殖系统结核病中最常见[1-2]。肾结核通常由肺或肠道结核经血源性播散引起,往往无症状[3-4]。但是,肾结核的隐匿发作和临床非特异性表现会延误诊治,常会导致严重的后果,如膀胱挛缩和肾衰竭[5-6]。虽然组织病理学或尿液培养找到结核分枝杆菌是肾结核确诊的金标准,但是需要有创操作,并且假阴性率高[6]。CT扫描能够显示肾盏、肾盂的增厚、变形和狭窄,肾实质内低密度灶、脓腔及钙化,继发性肾积水和肾皮质萎缩变薄,以及肾周渗出、积脓等形态学改变,增强CT扫描还能够显示肾脏灌注和排泄的功能学变化。CT扫描对肾结核的诊断和治疗有较高的临床价值[7]。基于卷积神经网络的深度学习是人工智能(artificial intelligence,AI)的一个重要分支,与传统机器学习不同,深度学习具有高度灵活性,并且支持自动特征提取,在各个领域的应用越来越广泛[8]。将基于深度学习的医学图像分析应用于计算机辅助诊断(computer-aided diagnosis,CAD)中,可以为临床医生提供决策支持,并提高各种诊断和治疗过程的准确性和效率[9]。近年来,深度学习在结核病放射诊断研究中展现出了良好效果和巨大的潜能[10-11]。但是,在泌尿生殖系统结核放射诊断研究报道中尚未见AI深度学习模型的应用[12-13]。本研究基于多期相CT扫描图像构建深度学习模型用于肾结核的诊断,以评估AI深度学习模型在肾结核放射诊断中的应用价值。

对象和方法

1.研究对象:回顾性分析2018年9月至2020年8月经解放军总医院第八医学中心收治,并经组织病理学或临床确诊的肾结核、肾肿瘤、肾盂肾炎、正常肾脏、肾囊肿、肾积水患者。正常肾脏被定义为CT图像上肾脏没有病变,正常肾脏、肾囊肿和肾积水患者以放射诊断医生的CT诊断报告为金标准。肾癌的病理类型包括转移瘤(来源于肺癌)、透明细胞癌;肾脏良性肿瘤的病理类型包括血管平滑肌脂肪瘤和囊性肾瘤;肾炎的病理类型为慢性肾盂肾炎。根据纳入和排除标准,最终纳入200例患者共400个肾脏的CT图像数据,包括101个正常肾脏和299个病变肾脏。病变肾脏包括114个肾结核、37个肾盂肾炎、66个肾肿瘤(40个恶性,26个良性)、20个肾积水、62个肾囊肿。将所有患者分为结核组和非结核组,其中结核组包括88例患者共114个肾结核(26例患者双肾肾结核),非结核组包括174例患者共286个非肾结核(62例肾结核患者中20例患者合并对侧肾积水、12例患者合并对侧肾囊肿、30例患者合并对侧正常肾脏;另31例患者共50个单纯性肾囊肿(19例患者双肾肾囊肿);30例患者共40个肾恶性肿瘤(10例患者双肾转移瘤);26例患者共26个肾良性肿瘤;25例患者共37个肾盂肾炎(12例患者双肾肾盂肾炎))。最后按8∶2的比例分为训练集(肾结核:85个;非肾结核:235个)和测试集(肾结核:29个;非肾结核:51个)。

2.纳入标准:(1)肾结核的诊断经尿液培养结核分枝杆菌阳性或组织病理学检查确诊;肾肿瘤与肾盂肾炎的诊断经组织病理学检查确诊;(2)研究对象临床资料完整,包括性别、年龄、病史、体格检查、影像学和病理学资料;(3)CT图像质量良好,无明显伪影。

3.检查方法:采用320排检测器的CT扫描仪(Aquilion ONE,日本東芝公司),扫描过程包括肾脏平扫期、皮髓质期、实质期和排泄期的腹部增强扫描。CT扫描参数设置为管电压120 kV,层厚3.0 mm,层间距3.0 mm,矩阵512×512。以高压注射器经肘静脉注入对比剂(碘佛醇,320 mgl/ml;江苏恒瑞医药股份有限公司),剂量为0.8 ml/kg,注射流率为3.0 ml/s,随后以相同的速率注射20 ml生理盐水。

4.图像分割和预处理:所有CT图像以原始图像和原图分辨率的DICOM格式导入北京医准智能科技有限公司的达尔文智能科研平台(http://www.yizhun-ai.com)。应用平台中的AI自动辅助标注功能对肾脏进行逐层勾画,通过逐层二维的感兴趣区(region of interest,ROI)勾画以获得整个肾脏的感兴趣体积(volume of interest,VOI)。由1位低年资腹部影像诊断医师对VOI进行审查,如果局部勾画效果不理想,则进一步手动修改。接下来,由1位高年资腹部影像诊断医师重新审查勾画结果,对VOI的勾画做出最终判断。

为了提升模型性能和稳定性,本研究在训练深度学习模型前对输入图像进行了预处理,包括对输入图像数据归一化,并将图像大小调整为64×64×64像素重新输入到ResNet网络中。数据归一化旨在消除输入数据之间的量纲差异,解决数据之间可比性的问题。调整图像大小旨在保证数据的一致性。此外,还应用了随机水平翻转和旋转的数据增强方法来减少模型过度拟合的风险。

5.深度学习模型的构建:(1)深度学习模型的训练:使用ResNet18和ResNet50网络对肾脏平扫期、皮髓质期、实质期和排泄期CT图像分别进行深度学习模型的训练。(2)模型训练参数:输入模型的数据批量大小为32,总共进行150轮次训练,学习率为0.0001,采用随机梯度下降算法作为优化器,采用交叉熵损失函数来衡量模型预测概率分布与真实概率分布之间的差异。

结 果

1.临床资料:在训练集和测试集中,结核组平均年龄均明显小于非结核组,差异有统计学意义。两组性别分布的差异无统计学意义。具体见表1。

表1 训练集和测试集中结核组和非结核组年龄及性别分布情况

2.深度学习预测模型的诊断效能:基于肾脏各单期(平扫期、皮髓质期、实质期和排泄期)CT图像,分别应用ResNet18和ResNet50模型预测诊断肾结核。测试集中,基于肾脏各单期的ResNet18模型的AUC、敏感度、特异度、准确率和F1分数均高于ResNet50模型;以皮髓质期为首,分别为0.925、93.1%、86.3%、88.7%和0.857。其他具体指标值见表2。ROC曲线更直观的显示基于皮髓质期的ResNet18模型诊断肾结核的AUC最高,见图1、2。

图1 基于肾脏各单期ResNet18模型在测试集中诊断肾结核的受试者工作特征曲线

图2 基于肾脏各单期ResNet50模型在测试集中诊断肾结核的受试者工作特征曲线

表2 基于肾脏各单期CT图像建立的深度学习模型预测肾结核的效能

讨 论

早期发现和及时治疗对提高肾结核的治愈率和改善预后至关重要。CT扫描是发现和辅助诊断肾结核的有效手段。放射诊断医师需要具备较丰富的诊断经验并且花费大约5～10 min来阅读和分析CT图像,才能对一处肾脏病灶是否为肾结核做出判断。据资料显示,我国医疗影像数据每年以30%的速度增长,而放射诊断医师的从业人员数量年增速率仅为4%～6%[14]。放射诊断医师的数量难以满足患者影像学检查日益增长的需求,导致误诊、漏诊在所难免。因此,笔者尝试利用合适的深度学习模型结合CT图像辅助诊断肾结核,从而提高肾结核的CT诊断效率和质量。

影像组学是传统的机器学习方法,通过对医学影像数据中的大量图像特征来进行定量化分析和挖掘,揭示与疾病发生、发展及治疗反应相关的潜在信息和特征[15]。而深度学习是更先进的机器学习方法,通过构建和训练复杂的多层神经网络架构将输入信息转换为多个抽象层级,从而实现对数据的自动学习和抽取特征[16-18]。本研究中,笔者选择了ResNet卷积神经网络中的ResNet18和ResNet50网络为架构,建立学习模型,它们分别由17个卷积层和1个全连接层、49个卷积层和1个全连接层组成构建。以ResNet18为例,ResNet18 中的后缀编号代表了神经网络的深度,即卷积层和全连接层的数量,数字越大表示网络越深、越复杂。本研究中ResNet18模型的效能优于ResNet50模型,究其原因,可能是由于训练样本量偏少的约束,ResNet50在相对较少的训练样本时得不到充分训练,因此,不能发挥其复杂模型的优势。Lin等[19]在关于深度学习模型预测肾透明细胞癌高、低级别分级的研究中发现,层数越简单的ResNet网络构建的模型表现出的性能更好,原因同样是层数较复杂的模型需要更大规模的训练数据量才能表现得更佳。本研究中,笔者发现肾脏皮髓质期模型表现出最佳的性能。究其原因,可能是肾结核的常见征象是肾实质内的低密度病灶[20-21],这些病灶往往在皮髓质期强化最佳,这时病灶与肾实质之间的CT值差异相对最大,常形成类似于“花瓣状”的形态特征,有助于提高模型的诊断能力。其次,排泄期模型展现了较好的诊断效能,这可能是因为肾结核的另一个常见征象是肾积水或积脓[21],肾盏、肾盂扩张等形态改变,排泄期积水扩大的肾盏、肾盂内碘对比剂呈高浓度积聚,CT值明显升高,这可能有助于提高模型判断的准确性。

本研究中,深度学习模型在诊断效能上表现出色,这归因于多种因素。首先,本研究中的ROI勾画是在肾脏上逐层进行的,从而得到了整个肾脏三维层面的VOI。三维层面的勾画能够更准确、更全面地呈现病变的形态特征,有助于提高模型的鉴别诊断能力。其次,笔者训练了两种不同架构的网络,分别是ResNet18和ResNet50。ResNet网络是当前被广泛认可为最稳定和可靠的网络模型之一,并在医学深度学习研究中广泛应用[22]。为了节约资源和提高效率,笔者没有将ResNet网络和其他神经网络(如VGG网络、ResNext网络、Google网络等)的性能做过多的横向对比。本研究中,以皮髓质期构建的ResNet18模型性能最佳,AUC值为0.925,诊断肾结核和非结核性病变的敏感度和特异度分别为93.1%和86.3%,有较高的潜在临床应用价值,效果和传统的人工阅片诊断性研究接近,例如,李培恒等[23]分析多层螺旋CT尿路造影诊断肾结核的敏感度和特异度分别为93.0%和82.0%。虽然用于肾结核的深度学习模型此前未见报道,但深度学习模型在其他部位结核病中的应用研究方兴未艾,取得了较好的效果。Ma等[24]基于多层螺旋CT图像构建深度学习模型检测与验证活动性肺结核中AUC值达0.980,敏感度和特异度分别为96.4%和97.1%。Li等[25]基于CT图像的多模态特征融合构建了新的深度学习分类模型用于辅助诊断脊柱结核发现该模型预测AUC值为0.998,敏感度和特异度均为98.3%。本研究首次利用深度学习模型辅助诊断肾结核,对肾脏病变的性质进行结核病或非结核病两分类判断,实现了较好的诊断效能。但是,临床实践中只是判断结核病或非结核病尚且不够,如果是非结核病还需要进一步明确病变性质。因此,基于深度学习的多分类判断模型是今后需要研究的方向。

本研究存在局限性。首先,本研究为单中心回顾性研究,纳入样本量相对较小,未来将基于多中心大样本量数据进一步提高模型的稳定性及准确性。其次,当前使用的AI自动辅助勾画功能尚不完善,需要人工修正,费时费力的同时还可能会降低研究结果的可重复性。未来分割更准确、需要更少的人工干预甚至不需要人工干预的肾脏分割模型将会进一步提高研究效率和增强结果的可靠性。最后,受限于研究时间段内所纳入研究对象肾脏疾病谱种类和数量的限制,本研究所得到的AI深度学习模型的诊断效能可能存在一定的偏倚,因为病种的构成比和病变的严重程度会对敏感度、特异度等诊断效能指标产生影响。

综上,基于多期相CT图像的ResNet18模型对肾结核的鉴别诊断展现了较好的诊断效能,其中,以皮髓质期构建的ResNet18模型效果最佳,有较高的潜在临床应用价值。

利益冲突所有作者均声明不存在利益冲突

作者贡献易婉晴:酝酿和设计实验、实施研究、采集数据、分析/解释数据、起草文章、统计分析;郑雪怡:分析/解释数据、起草文章、统计分析;张状:采集数据、统计分析;孙维荣:分析/解释数据、对文章的知识性内容作批评性审阅;袁小东:酝酿和设计实验、对文章的知识性内容作批评性审阅、获取研究经费、指导