基于平掃CT三維影像組學特征的機器學習模型檢測主動脈夾層的價值

唐依琳 張淥愷 金倞 王坤 楊玉玲 馬莊宣 李騁 李銘，3△

（1復旦大學附屬華東醫院放射科 上海 200040； 2復旦大學附屬華山醫院放射科 上海 200040；3復旦大學醫學功能與分子影像研究所 上海 200040）

主動脈夾層（aortic dissection，AD）是一種危及生命健康的心血管危重疾病，是心血管疾病中死亡率最高的疾病之一。近年來中國AD的發病率呈上升趨勢［1］，針對AD流行病學的現有研究大多以就診患者為基礎，缺少未就診病例，這使得該疾病的真實發病率可能高于目前報道的發病率［2-4］。AD根據Stanford分型可分為A、B型，A型AD相較于B型AD發病更兇險，應立即進行手術，而B型AD可以使用藥物治療或血管內治療，因此提高A型AD的早期檢出率至關重要［5-6］。目前應用碘對比劑增強CT是發現和診斷AD最常用的成像檢查方式，敏感性為100%，特異性為98%～99%［7-8］。然而，有碘對比劑禁忌的患者不能接受該檢查，還會使受檢者發生對比劑腎病的風險增加［9-10］。此外，在夜間、節假日或一些醫療落后的地區，增強CT檢查的可及性受限［11］。另外，許多早期缺乏典型癥狀或無癥狀的AD患者只采取了平掃CT檢查，導致這部分患者無法通過增強CT及時診斷［12-13］。平掃CT診斷AD的靈敏度低、假陰性率高，因此提高放射科醫師通過平掃CT診斷AD的信心，提高該檢查對AD的檢出率具有重要的臨床意義［14］。

近年來，人工智能已被廣泛應用于醫學領域［15］。影像組學作為人工智能與影像大數據的交叉產物，具有無害、普適、快捷、經濟等優勢［16］。影像組學能捕捉醫學圖像中不能為肉眼識別的組織和病變的微觀異質性，彌補傳統影像學診斷依靠肉眼識別病變和經驗依賴性較強的缺陷［17］，從而幫助放射科醫師提高對疾病診斷的信心。基于影像組學特征構建的機器學習模型在平掃CT上檢測AD以及Stanford A型AD，目前國內外尚未有相關研究。本研究旨在探討基于平掃CT影像組學的機器學習方法檢測AD和Stanford A型AD的可行性，以期提高平掃CT對非典型或無癥狀AD患者的檢出率，以及在增強CT檢查不可取或者獲得受限的情況下識別AD。

資料和方法

研究對象回顧性收集2011年7月至2022年7月期間在復旦大學附屬華東醫院同時接受了胸腹平掃CT和增強CT檢查的患者。AD陽性患者的納入標準：（1）放射科醫師根據增強CT圖像表現確診的AD，CT檢查時尚未置入主動脈裝置；（2）患者在同一天進行了平掃CT和增強CT檢查；（3）對照增強CT圖像，確保平掃CT圖像范圍包括夾層部分；（4）如果同一患者有多個CT檢查結果，則將最近一次檢查數據納入本研究。AD陰性患者的納入標準：（1）增強CT圖像排除AD、且沒有與AD鑒別困難的壁間血腫、血栓和穿透性潰瘍；（2）患者在同一天有平掃CT和增強CT檢查。

按上述標準，本研究共納入128例患者，其中男性86例（67.2%）。所有患者平均年齡（66±13）歲。128例患者中有AD患者61例，非AD患者67例。61例AD患者中男性53例（86.9%），平均年齡（67±14）歲。67例非AD患者中男性33例（49.3%），平均年齡（64±11）歲。按7∶3的比例將128例患者隨機劃分為訓練集（n=89）和驗證集（n=39）。患者的臨床資料包括年齡、性別、AD Stanford分型等。

CT影像采集采用Somatom Drive、Somatom Flash（德國西門子公司）和Revolution 256（美國GE公司） 3臺CT儀進行平掃和CT增強掃描，采集體位為仰臥位，管電壓80～140 kVp，自動調節管電流技術，矩陣為512×512，重建層厚0.625 mm/1 mm/1.25 mm/1.5 mm。

VOI勾畫將薄層（0.625 mm/1 mm/1.25 mm/1.5 mm）平掃CT圖像導入3D-slicer軟件（version4.11.0，http：//www.slicer.org），由1名技術員在橫斷面圖像上隔層勾畫主動脈輪廓，并自動填充全部主動脈得到體積感興趣區（volumetric region of interest，VOI），再手動調整VOI范圍，盡量排除心肌、胸膜、脊柱、腹膜和胃腸道等無關結構，使VOI準確覆蓋主動脈。最后，所有病例的主動脈VOI和平掃CT數據以NII（脫敏格式）導出，用于影像組學特征提取。

影像組學特征提取、篩選和機器學習模型的構建和評價本研究采用Pyradiomics軟件（Python，Version 3.7）進行影像組學特征的提取，在128例患者的主動脈VOI上共提取1 905個特征，其中包括一階特征、2D形態特征、3D形態特征、灰度共生矩陣特征、灰度大小區域矩陣特征、灰度游程矩陣特征、相鄰灰階差矩陣特征、灰度依賴矩陣特征和小波變換特征。為了便于分析，對提取的特征數據進行正則化處理，轉換到均值為0、方差為1范圍內。用Spearman相關性分析（特征之間Spearman系數＞0.8時取其一），最小絕對收縮選擇算子（least absolute shrinkage and selection operator，LASSO）進行特征篩選，降維后得到最優特征集，在訓練集中分別用支持向量機（support vector machine，SVM）、決策樹（decision tree，DT）、隨機森林（random forest，RF）、極端梯度提升（extreme gradient boosting，XGBoost）、輕量梯度提升（light gradient boosting，LightGBM）和極端隨機樹（extra trees，ET）模型構建6種機器學習模型。評價指標包括：受試者操作特性（receiver operating characteristic curve，ROC）曲線下面積（area under the ROC curve，AUC）、準確度、F1分數和召回率。

統計學分析采用SPSS統計軟件（Version 26版）和R（Version 4.1.0）進行統計分析和模型構建。計量資料用表示，計數資料用頻數和百分數表示。使用AUC、準確度、F1值和召回率評估各模型的檢測效能。

結 果

檢測AD的機器學習模型1 905個特征經過Spearman相關性分析和LASSO回歸降維后得到35個影像組學特征的最優特征集合，特征篩選過程、最終的35個特征參數及相應權重見圖1。SVM、DT、RF、XGBoost、LightGBM和ET模型在訓練集和驗證集中檢測AD的效能見表1、圖2和圖3。結果顯示，XGBoost模型在訓練集和驗證集中均具有最高的檢測性能，且在訓練集和驗證集中的表現差異最小。該模型在驗證集中的AUC、召回率、F1分數和準確度分別為0.982、100.0%、0.960、96.2%。

表1 基于三維平掃CT影像組學特征不同機器學習模型檢測AD效能Tab 1 Efficacy of different machine learning models for detecting AD based on non-contrast CT 3D-radiomics features

圖2 各模型在驗證集上檢測AD的ROC曲線Fig 2 ROC curve for each model to detect aortic dissection in the validation set

圖3 6種機器學習模型的混淆矩陣Fig 3 Confusion matrix for 6 machine learning models

檢測Stanford A型AD的機器學習模型進一步探究影像組學機器學習模型對Stanford A型AD的檢測效能。128個研究對象中有23例Stanford A型AD患者。1 905個特征經過Spearman相關性分析和LASSO回歸降維后得到包括13個影像組學特征的最優特征集合。特征篩選過程、最終的13個特征參數及相應權重見圖4。

圖4 LASSO回歸篩選特征和確定最優特征集Fig 4 LASSO regression for feature selection and optimal feature set determination

SVM、DT、RF、XGBoost、LghtGBM和ET在訓練集和驗證集中檢測AD的效能見表2和圖5。結果顯示RF模型對Stanford A型AD的檢測能力最好。RF在訓練集中的AUC、F1分數、準確度和召回率分別為0.999、0.976、99.0%、100.0%；在驗證集中分別為0.852、0.625、76.9%、100.0%。

圖5 各模型在驗證集上檢測Stanford A型AD的ROC曲線Fig 5 ROC curve for each model to detect Stanford type A AD in the validation set

討 論

本研究以增強CT掃描確診的AD為金標準，基于平掃CT影像組學方法分別構建了檢測AD的6個機器學習模型，結果顯示XGBoost模型在識別AD上表現最佳，RF模型在檢測Standford A型AD上表現最佳，召回率均為100%。這表明通過影像組學機器學習模型，有望提高平掃CT對AD的診斷效能，從而提高平掃CT對非典型或無癥狀AD患者的檢出率，為有碘對比劑使用禁忌的患者、增強CT檢查受限或可及性不足地區的患者、以及擔憂碘對比劑腎病而不愿接受增強CT檢查的患者提供可行的替代檢查方式。

關于機器學習模型在CT圖像上檢測AD的價值，Harris等［18］開發了一種基于2維增強CT圖像的卷積神經網絡模型，在檢測AD和主動脈破裂上表現出良好的性能，并通過外部驗證集證實。隨后，Cheng等［19］將U-Net深度學習模型應用于增強后的CT橫斷面圖像，以實現主動脈的自動分割和診斷AD。研究結果顯示，該方法的準確度高達85.0%。Tan等［20］在88例CT病例（43例AD患者和45例健康人）中比較了基于增強CT橫斷面圖像的3種CNN模型對AD的診斷性能，結果顯示DenseNet121性能最好，在驗證集中F1值和召回率均為0.968。上述研究僅利用二維影像數據構建機器學習模型，沒有利用三維影像數據，且均基于增強CT圖像診斷AD，沒有嘗試基于平掃CT來檢測AD。因此在增強CT不可及或無法獲得的情況下，上述方法可能無法使患者受益。目前，國內外已有學者研究深度學習模型在平掃CT上對AD的診斷價值。Hata等［21］構建的卷積神經網絡模型可在平掃CT的橫斷面圖像上診斷AD，在準確性、敏感性和特異性方面，與放射科醫師對AD的診斷無統計學差異。Yi等［22］聯合形態學特征和深度學習特征構建深度集成模型來診斷AD，結果顯示該模型的診斷準確性與放射科醫師無統計學差異。然而，上述兩個研究均將深度學習模型與放射科醫師在平掃CT上識別AD的表現進行比較，但他們并未將基于平掃CT的深度學習模型與放射科醫師基于增強CT識別AD的效能進行比較。鑒于增強CT目前仍然是檢測AD的一線成像方式，加上放射科醫師基于平掃CT識別AD敏感度低、假陰性率高［14，23］，因此在增強CT使用受限的情況下，上述研究所構建的模型是否可以作為增強CT的替代檢查方式來幫助識別AD有待進一步驗證。

本研究基于影像組學特征分別應用SVM、DT、RF、ET、LightGBM、XGBoost 6種機器學習算法進行模型構建，并計算AUC、準確度、召回率、F1分數及混淆矩陣指標評價模型的效能。召回率是真實陽性樣本中的正確檢測比例，計算公式為：正確檢測為陽性的樣本數/真陽性樣本數。F1分數同時兼顧了精確度和召回率，是對它們的調和平均。由于AD是心血管疾病中死亡率最高的疾病之一，所以提高該疾病的檢出率具有重要的臨床意義。根據專家共識［8］，增強CT識別AD的召回率為100%。本研究結果顯示，XGBoost模型在平掃CT上識別AD的召回率為100%。在檢測AD的能力上，該模型的表現可以被很好的接受。因此，在增強CT不可用或不可得的情況下，用該模型幫助放射科醫師識別AD具有可行性。另外，鑒于Stanford A型AD比Stanford B型AD發病更兇險，死亡率更高，更迫切需要緊急手術治療［24］，因此我們探究了影像組學機器學習模型識別累及升主動脈的Stanford A 型AD的效能。結果顯示，RF模型檢測出了所有A型AD患者，表明該模型有望對此類患者有所幫助。

在這6個機器學習模型中，DT的效能不佳，在檢測AD和A型AD的驗證集中AUC和F1分數均低于其他模型，且在訓練集和驗證集表現差異大，提示該模型存在過擬合。SVM是一種廣義的線性分類器模型［25］，在檢測AD以及Stanford A型AD上，SVM模型在驗證集的檢測性能均為第二，在訓練集和驗證集的表現差異也較小，具有較好的準確性。RF和ET是以決策樹為基分類器的集成模型。在檢測AD上，RF模型在驗證集實現了良好的檢測準確性，AUC達0.896，但稍遜色于XGBoos和LightGBM模型。但在檢測Stanford A型AD上，RF模型的表現最好。ET的原理與RF類似，但具有更強的隨機性。在檢測AD上，ET模型在訓練集與驗證集中表現出良好的檢測性能，在驗證集中AUC、F1分數、準確度分別為0.886、0.783、80.8%。然而，在檢測Stanford A型AD上，ET模型在訓練集和驗證集表現差異較大。XGBoost模型和LightGBM模型都采用損失函數的負梯度作為當前決策樹的殘差近似值，去擬合新的決策樹，因此均為基于決策樹的分布式梯度提升框架［26］。在檢測AD上，這2個模型均表現出優于另外4個模型的性能，而XGBoost模型相較于LightGBM模型，對陽性AD樣本的檢出率更高。無論是檢測AD還是檢測Stanford A型AD，這2個模型性能差別較小。

本研究存在一些局限性。首先，這是一項單中心回顧性研究，不可避免地存在偏倚；其次，本研究的結論缺少外部數據的驗證；再次，本研究僅分析影像組學特征的診斷效能，未結合臨床特征建模；最后，本研究納入的樣本量較少，可能影響結果的準確性。

綜上所述，本研究基于平掃CT的三維影像組學構建了檢測AD及Stanford A型AD的機器學習模型。在檢測AD上XGBoost模型效能最佳，在檢測Stanford A型AD上RF模型效能最佳。通過機器學習，有望通過平掃CT提高非典型或無癥狀AD患者的檢出率，降低發生對比劑腎病的風險，為有對比劑禁忌或增強CT不可及的患者提供可行的替代檢查方式。

作者貢獻聲明唐依琳 文獻調研和整理，數據收集、整理和統計，模型構建，論文撰寫和修訂。張淥愷 論文構思，數據收集和分析，技術指導。金倞 研究選題和設計，論文指導。王坤，楊玉玲數據收集和整理。李騁，馬莊宣 可行性分析，論文修訂。李銘 數據分析，項目統籌，論文修訂。

利益沖突聲明所有作者均聲明不存在利益沖突。