基于胸部X線卷積神經網絡模型診斷兒童不同病原體社區獲得性肺炎

胡莎莎，朱永北，董 迪，王 蓓，王 馳，周作福，徐保平，劉秀云，彭 蕓*

(1.國家兒童醫學中心 首都醫科大學附屬北京兒童醫院影像中心，5.呼吸科，北京 100045；2.北京航空航天大學醫學科學與工程學院，北京 100191；3.中國科學院自動化研究所，北京 100190；4.福建省婦幼保健院放射科，福建 福州 350000)

肺炎是全球范圍內兒童住院和死亡的主要原因，每年有近1.2億新發病例和100萬兒童死亡[1]；兒童社區獲得性肺炎(community acquired pneumonia，CAP)占全世界5歲以下兒童死亡總數的16%[2]。CAP常見病原為病毒、細菌和肺炎支原體(mycoplasma pneumoniae，MP)，針對不同病原體治療方法亦有所不同。胸部X線攝影是影像學檢查呼吸系統疾病的主要方法之一[3]，診斷兒童CAP的挑戰在于臨床癥狀、炎癥標志物和放射學征象雖可在一定程度上提示病原體，但并不能完全區分[4-5]。基于深度學習(deep learning，DL)的人工智能算法已逐漸用于識別及診斷胸部病變[6-9]。本研究評價以胸部X線片訓練卷積神經網絡(convolutional neural network，CNN)模型診斷兒童不同病原CAP的價值。

1 資料與方法

1.1 研究對象 回顧性分析2013年1月—2018年12月1 769例于首都醫科大學附屬北京兒童醫院臨床診斷的CAP患兒，男1 107例，女662例，年齡10天～18歲，平均(3.3±3.1)歲；根據病原學診斷分為病毒組(n=487)、細菌組(n=496)及MP組(n=786)。排除標準：①合并其他局部或全身性疾病；②胸部X線片質量不佳。檢查前患兒家屬均簽署知情同意書。

1.2 儀器與方法 采用Kodak Healthineers DR7500全數字化X線攝影系統，行站立后前位或前后位投照或仰臥位投照；靶片距100～160 cm，根據患兒年齡及體質量設定曝光條件。

1.3 圖像分析 由2名具有5年以上工作經驗的影像科醫師在不知曉病原學診斷的情況下獨立閱片，觀察病變部位及密度特點，并記錄是否出現空洞、胸腔積液、胸膜增厚或肺過度通氣情況等，意見不一致時經協商達成一致。向XLSorDL卷積模型[10]輸入胸部X線片，系統自動提取雙肺輪廓進行分割，并將分割出的雙肺定義為全肺ROI(圖1)。采用ITK-SNAP軟件沿邊緣手動勾畫病變區域，系統自動根據手動分割邊界框裁剪病變區域，得到病灶ROI(圖2)。

圖1 患兒男，2歲，病毒性肺炎 A.胸部正位片；B、C.系統自動提取(B)雙肺輪廓并分割(C)；D.獲取全肺ROI

圖2 患兒男，4歲，病毒性肺炎 A.胸部正位片；B.手動勾畫病變區域；C.系統自動分割病變區域；D.獲取病灶ROI

1.4 模型選擇與訓練 將數據隨機以7∶1∶2比例分為訓練集、驗證集和測試集；各數據集再分為病毒亞組、細菌亞組及MP亞組。將測試集按性別分為男性亞組和女性亞組、以年齡中位數為分界線分為高年齡亞組和低年齡亞組，以Pytorch平臺分別基于訓練集和驗證集全肺ROI和病灶ROI數據訓練全肺模型和局部模型：采用標準Densenet模型，將全肺ROI調整為224×224，病灶ROI調整為160×160，以最小批量為32的Adam算法優化模型，學習速率設置為0.001，動量系數設置為0.9。

1.5 統計學分析 采用Python統計包Scipy.stats進行統計分析，以±s表示計量資料，組間比較采用方差分析；以頻數表示計數資料，組間比較采用χ2檢驗。采用混淆矩陣計算模型對于測試集的準確率、精確度，評估模型整體效能；繪制受試者工作特征(receiver operating characteristic，ROC)曲線，計算曲線下面積(area under the curve，AUC)，評估模型診斷測試集不同病原體CAP的效能，AUC≤0.7為效能較低，0.70.9為效能較高。以Delong檢驗評價各模型診斷效能的差異。P<0.05為差異有統計學意義。

2 結果

2.1 一般資料 訓練集、驗證集與測試集各亞組患兒性別及年齡差異均有統計學意義(P均<0.05)，見表1。

表1 不同病原體CAP患兒一般資料比較

2.2 X線征象 3組間病變累及范圍差異有統計學意義(P<0.05)，病毒組多累及雙肺，MP組多累及單側肺；受累肺組織密度改變特點差異有統計學意義(P<0.05)；病毒組出現肺過度通氣者、細菌組出現空洞者明顯多于其余2組(P均<0.05)；3組胸腔積液及胸膜增厚差異均無統計學意義(P均>0.05)。見表2。

表2 兒童不同病原體CAP胸部X線征象比較

2.3 診斷效能 全肺模型診斷不同病原CAP的準確率和精確度分別為61.85%、63.77%，局部模型診斷準確率和精確度分別為58.04%、54.05%。全肺模型診斷病毒性和細菌性CAP效能較高，AUC明顯高于局部模型(P均<0.01)；局部模型診斷MP性CAP效能較高，但其AUC與全肺模型差異無統計學意義(P=0.14)，見表3。

表3 CNN模型預測兒童不同病原體CAP的效能

2.4 分層分析 全肺模型和局部模型診斷測試集男性亞組和女性亞組不同病原CAP的AUC差異均無統計學意義(P均>0.05)。2種模型診斷高年齡亞組和低年齡亞組病毒及細菌性CAP的AUC差異均無統計學意義(P均>0.05)，而診斷MP性CAP的AUC差異均有統計學意義(P均<0.05)。見表4。

表4 CNN模型診斷兒童不同病原體CAP分層分析AUC比較

3 討論

兒童CAP早期胸部X線片可出現明顯異常征象，此時臨床癥狀及肺部體征可能并不明顯，胸部X線片雖無法做出具體病原學診斷，但有助于縮小診斷范圍。本研究基于CAP患兒胸部X線征象建立CNN模型，以診斷兒童不同病原CAP。

不同病原CAP胸部X線表現有所不同。病毒性CAP多呈間質性改變，細菌性CAP多以實質性改變為主，但二者亦有重疊而較難區分。MP性CAP病變多局限于氣道壁、甚至小氣道和呼吸性細支氣管，胸片可見支氣管周圍浸潤、網狀結節、斑片狀和局灶性實變[11-12]，但僅據X線平片較難鑒別。

參照既往文獻[3]報道，本研究采用基于CNN的算法，利用一組神經元對給定圖像進行卷積，并從中提取相關特征，以處理CAP分類問題。YUE等[13-14]通過DL模型區分正常與CAP胸部X線片，所獲診斷結果可媲美影像科醫師。本研究采用DL算法自胸部X線片中挖掘具有價值的特征，以鑒別兒童CAP的病原體，并優化出2種模型，其中全肺模型的整體診斷效能優于局部模型，其診斷病毒性和細菌性CAP的效能較高，而局部模型診斷MP性CAP效能較高，但與全肺模型差異無統計學意義(P>0.05)，提示胸部X線片整體可能包含與特定疾病相關的影像學特征，而不僅僅是病變部位。胸部X線片中CAP可表現為全肺或部分肺葉實變合并支氣管擴張、胸腔積液或間質浸潤等[14]，而手動勾畫病灶時多選擇病變嚴重且明顯的區域，具有主觀性，導致全肺模型的診斷效能更佳。本研究對測試集按照性別和年齡進行分層分析，發現2種模型僅診斷高年齡亞組和低年齡亞組MP性CAP的AUC存在差異，可能與患兒平均年齡較大有關。

本研究的局限性：①CAP病原學分類未涉及結核、真菌等其他病原體；②為單中心、回顧性研究，可能存在數據偏倚。

綜上所述，基于胸部X線片建立CNN模型診斷兒童不同病原體CAP具有可行性，對指導臨床用藥、降低兒童肺炎死亡率具有重要意義。