基于剪切波彈性成像和卷積神經網絡建立深度學習模型預測腎臟病變

馬立勇，董夢超，李廣涵，劉 健，武敬平，陸海濤，鄒古明，卓 莉，牟 姍，鄭 敏*

[1.哈爾濱工業大學(威海)信息科學與工程學院，山東 威海 264209；2.中日友好醫院超聲醫學科，3.腎病科，北京 100029；4.上海交通大學醫學院附屬仁濟醫院腎臟科，上海 200127]

腎臟疾病臨床常見，人群患病率較高。超聲剪切波彈性成像(shear wave elastography, SWE)屬非侵入性影像學技術，通過測量腎臟組織的剪切波速度而得到評估其彈性的楊氏模量參數。目前認為組織彈性與其病理狀態相關。腎臟硬度與腎臟纖維化之間存在顯著相關性，利用SWE可準確檢出腎小球硬化和腎間質纖維化所致腎損傷[1]，通過測量硬度能反映腎實質病理變化[2]，為診斷腎臟疾病提供了一種補充性的檢查方法[3]。既往研究[4-7]表明SWE測量的腎臟硬度與病理所見間質纖維化高度相關，且對檢出IgA腎病具有高度特異性和敏感性[4]。研究[8]表明腎皮質的彈性模量對于診斷早期糖尿病具有重要價值，且與慢性腎病呈正相關[9]；彈性成像并可用于評估兒童慢性腎病[10]，提示SWE能夠輔助診斷腎病。目前已有研究采用支持向量機方法結合B模超聲圖像和SWE建立預測腎疾病的模型[11]。

深度學習(deep learning, DL)是一種人工智能技術，卷積神經網絡則是最為成熟的DL方法之一，通過從圖像到結果完成端到端學習，建立有效的分類模型[12-14]。與其他神經網絡方法不同，卷積神經網絡可自動提取最能實現有效分類的特征并加以利用，高效完成分類任務，在分析醫學圖像和輔助診斷方面取得了巨大成功，并已用于輔助診斷腎臟疾病[14-15]。本研究前瞻性采用卷積神經網絡建立腎臟疾病預測模型，并比較其與其他機器學習方法的效能。

1 資料與方法

1.1 一般資料 收集2019年6月—12月于中日友好醫院接受腎穿刺活檢患者，排除單側腎臟、腎盂積水、腎臟腫瘤、合并其他嚴重疾病或無法完成超聲彈性成像檢查者，最終94例入組(病例組)，其中男60例，女34例，年齡24～69歲，平均(42.1±13.1)歲；病理分類包括原發腎小球腎炎53例、繼發腎小球腎炎28例及腎小管間質病變13例。同期招募109名健康志愿者(對照組)，男59名，女50名，年齡21～72歲，平均(52.9±15.0)歲。本研究經中日友好醫院倫理委員會批準。

1.2 儀器與方法

1.2.1 數據集 按照4∶1將2組受檢者分為訓練集和測試集。訓練集包括病例組75例和對照組87名，將其超聲彈性參數用于DL方法訓練。測試集包括病例組19例和對照組22名，采用不同模型預測其彈性參數，根據結果對比各模型預測性能。

1.2.2 SWE參數獲取 由一名具有5年以上超聲腹部診斷和彈性成像操作經驗的醫師于腎穿刺活檢前采用Mindray昆侖Resona 8多普勒彩色超聲診斷儀，C6-1探頭，頻率1.5～6 MHz行SWE。囑受檢者俯臥或側臥，探頭與腎臟包膜相垂直，保持ROI區域大小一致，囑受檢者屏息，待ROI內部顏色充滿且均勻、彈性圖像穩定后，依次測量雙側腎皮質、髓質和腎竇部的剪切波速度，每個部位最少測量3次，取中位數為剪切波數值，共得到6個測量值。見圖1。

圖1 獲取腎臟超聲彈性成像參數示意圖

1.2.3 卷積神經網絡預測模型 每個樣本的輸入為由6個彈性模量組成的向量。為充分發掘數據之間的關系，采用一維卷積神經網絡方法構建KDnet模塊，見圖2；由該模塊以6種不同參數的卷積和批正則化(batch normalization, BN)層處理輸入的一維向量之后加以合并，結果仍為一維向量。采用3個KDnet模塊依次連接構成卷積神經網絡，經DropOut層后進入全連接網絡(fully connected layers, FC)得到分類輸出，見圖3。

圖2 KDnet塊的網絡架構 經多個卷積和BN處理輸入通道數為Cin的一維向量，之后合并得到通道數為Cout的一維向量

圖3 卷積神經網絡的網絡架構 經過多個KDnet模塊處理一維向量后，通過FC層得到結果

DL模型采用Python 3.7和PyTorch 1.3.1實現，使用隨機梯度下降(stochastic gradient descent, SGD)優化器、分類交叉熵損失訓練網絡模型，設置批處理量為32，初始學習率為0.002， DropOut層的比率為0.8，當驗證數據集損失連續50次不再下降時，學習率降低0.1。

1.2.4 支持向量機和隨機森林模型 針對相同數據集建立支持向量機和隨機森林模型。以Scikit-learn 0.22在Python 3.7中完成模型建立。對支持向量機模型的目標函數懲罰因子參數C在[24,216]范圍以2倍步長進行參數尋優，同時對所有核函數進行尋優。對隨機森林的決策樹數量在[25,212]范圍以2倍步長進行尋優。兩種模型的其余參數均采用默認值。

1.3 統計學分析 以Python 3.7軟件生成受試者工作特征(receiver operating characteristic, ROC)曲線，計算曲線下面積(area under the curve, AUC)，計算并比較各模型的敏感度、特異度和準確率。使用Python 3.7軟件和統計工具箱scipy 1.3.1，以χ2檢驗比較DL模型與支持向量機和隨機森林模型針對測試集的預測結果的差異。P<0.05為差異有統計學意義。

2 結果

DL模型預測腎疾病的敏感度、特異度和準確率分別為90.48%、100%和95.12%，AUC為0.93；對病例組3例預測錯誤，對照組預測均準確。支持向量機模型預測腎疾病的敏感度、特異度和準確率分別為80.74%、80.71%和80.98%，AUC為0.90；隨機森林模型的敏感度、特異度和準確率分別為82.22%、77.87%和80.33%，AUC為0.88。DL模型的敏感度、特異度、準確率和AUC均高于支持向量機模型和隨機森林模型；與支持向量機模型及隨機森林模型預測腎疾病差異均有統計學意義(χ2=10.25、P=0.00137，χ2=10.26、P=0.00136)。見圖4。

圖4 各模型預測腎疾病的ROC曲線

3 討論

基于SWE定量參數和卷積神經網絡的DL模型可有效預測腎疾病。支持向量機是一種基于統計學習理論的機器學習方法，通過求解優化算法找到最佳分類超平面，具有良好的泛化能力。隨機森林通過隨機組合建立的決策樹，最終利用多數表決得到分類結果。

本研究結果顯示，相比支持向量機和隨機森林模型，DL模型的預測性能更好，這是由于深度卷積神經網絡方法具有自動尋找參數中隱含特性、并從中自動提取適合腎疾病預測任務特征的優勢。支持向量機依賴核函數將低維空間映射到高維空間，以尋找最優分類界面，隨機森林使用決策樹隨機選取最優特征，此兩種模型選擇特征空間均受到較大限制，導致靈活性不足；而DL模型通過目標函數選擇特征，其尋優范圍更大、選擇參數更靈活。DL模型通過引入局部感受野和共享權重解決了計算效率問題，通過分層結構模仿人腦進行層次化建模，可發掘數據的隱含關系并加以表達，故其敏感度、特異度和準確率均更高，特異度表現尤其優秀。針對IgA腎病的SWE研究[4]結果顯示，診斷敏感度和特異度分別為89.00%和90.00%；而以超聲剪切波預測兒童慢性腎病[10]的敏感度和特異度分別為76.50%和92.10%，均低于本研究結果，主要原因在于既往研究僅關注腎皮質彈性模量值，而未采用機器學習預測模型。GROSSMANN等[6]利用剪切波彈性值診斷腎小球腎炎的AUC為0.89 ，同樣低于本研究結果，主要原因亦為未采用機器學習預測模型。

通過腎穿刺進行活體病理學檢查是目前診斷腎臟病變的金標準，但有創，使其應用受到一定限制。SWE具有無創、便捷等特點，為診斷腎臟病變提供了一種補充性的非侵入性途徑。開發基于超聲彈性成像的腎臟疾病預測模型，不僅有助于輔助診斷腎臟病變，還有助于根據病情進行篩選分流，優化診斷流程。超聲SWE和DL相結合，有助于建立高性能的腎臟疾病預測模型。

綜上所述，本研究應用SWE和卷積神經網絡建立DL模型預測腎臟疾病，其診斷效能優于支持向量機和隨機森林模型，有一定臨床應用價值。本研究的主要局限性在于單中心設計，樣本量有限，需要更多數據進一步深入觀察。