基于從頭訓練模式深度學習卷積神經網絡模型評估急性肺栓塞的價值

郭潤財 王蕾 黃振國 席霖楓 張帥 劉敏

中日友好醫院1放射診斷科，2呼吸與危重癥科 （北京 100029）

急性肺動脈血栓栓塞（APE）是新鮮血栓阻塞肺動脈，從而引發肺循環障礙的急性病理生理性改變，可導致急性右心衰甚至猝死［1］。及時準確診斷APE 及評估血栓負荷的嚴重程度，對于臨床治療方案的選擇及預后評價有重要意義。CT 肺動脈造影（CTPA）是目前臨床無創性診斷肺栓塞的重要方法，此外CTPA 能夠提供血栓負荷的信息。目前基于CTPA 的血栓負荷的定量分析常采用基于CTPA 的Qanadli 栓塞指數［2］和Mastora 栓塞指數［3］，但明顯依賴閱片醫師的經驗且評價耗時，限制了其廣泛應用。深度學習算法（DL）為人工智能領域重要技術［4］，目前已經開始應用于疾病的輔助診斷及評估［5-8］。我們前期研究［8］建立基于卷積神經網絡（CNN）的深度學習模型（DL-CNN）診斷APE。CNN 的訓練方法一般分為兩種，即從頭訓練法［CNN（fs）］和微調法，其中CNN（fs）利用隨機初始化權值從頭開始訓練模型，采用大規模的數據集進行訓練，模型可以獲得良好的性能，但目前尚鮮見在肺血管疾病領域中的應用報道。因此，本研究采用從頭訓練法優化DL-CNN 模型，探討基于從頭訓練法的DL-CNN 模型［DL-CNN（fs）］診斷APE 及評估血栓負荷的價值。

1 資料與方法

1.1 研究對象本研究回顧性納入2019 年1 月至2022 年1 月于我院因可疑肺栓塞行CTPA 檢查的住院患者。根據臨床診斷，將納入患者分為APE組與陰性組。APE 診斷遵循2019 年歐洲心臟病學會（ESC）和歐洲呼吸學會（ERS）指南［9］。入選標準：可疑APE 于我院放射科行CTPA 檢查的住院患者；確診APE 患者至少有一次治療后復查CTPA 證實栓子減少或吸收。排除標準：（1）初始CTPA 圖像質量差無法用于診斷者；（2）出院診斷慢性肺動脈栓塞、肺動脈高壓、肺動脈腫瘤、肺血管炎和縱隔纖維化，肺血管畸形，先天性心臟病的患者。本研究得到了中國臨床試驗注冊中心（http：//www.chictr.org/en/；注冊號ChiCTR-OCH-14004929）和醫院倫理委員會的批準（醫學倫理編號：2022-KY-048）。因為回顧性研究，免除患者知情同意。

1.2 CTPA 檢查患者于仰臥姿勢，深吸氣后閉氣采用多排螺旋CT（GE Revolution CT；東芝Aquilion one tsx-301C/320；西門子SOMATOM definition雙源CT） 掃描，掃描范圍自胸廓入口到膈上水平。掃描條件為120 kV，100 ～ 300 mAs，CT 檢查床速度39.37 mm/s，機架旋轉時間0.8 s，CTPA 檢查對比劑為非離子型對比劑優維顯（Ultravist， 370 mgI/mL，先靈拜爾），總量為70 mL，注射速度為4 ～ 4.5 mL/s，生理鹽水50 mL。重建斷面厚度為0.625 ～ 1 mm，重建斷面間距為0.625 ～ 1 mm。采用對比劑自動檢測觸發技術確定掃描延遲時間，自動檢測觸發技術將靶區定位于肺動脈主干水平，預定義閾值為100 Hu，以及固定5 s 延遲采集數據。原始圖像按軟組織標準算法重建。由PACS 系統中調出CTPA 原始數據，導入計算機工作站（Adw 4.6 GE Healthcare），在工作站分析按標準方法重建后的圖像。分析圖像時采用縱隔窗和肺窗，觀察測量肺動脈、右心功能相關參數。以橫切位圖像作為診斷與分析的主要方式，必要時采用多平面重建方法分析圖像。

1.3 CTPA 圖像分割采用我們前期研究建立的U-Net 模型［8］自動識別并分割肺動脈栓子。從頭訓練法CNN（fs）在沒有預先訓練的情況下對分割網絡的權值進行訓練，并使用Xavier 方法［10］進行權值初始化。給定一例患者的CTPA 序列，我們訓練的急性肺栓塞分割模型將通過sigmoid 函數輸出每個像素被判定為APE 的概率。通過設置概率閾值，最終得到APE 分割結果。一般情況下，概率值大于概率閾值的區域被認為是APE。參照我們前期研究［8］，本研究的概率閾值設置為0.1。同時，根據自動分割方法［1］劃分的肺葉和肺段，將所有分割的血栓定位到中心肺動脈，包括主肺動脈、左右肺動脈、葉級動脈，以及外周肺動脈（18 個段級動脈，包括：R1 右肺上葉尖段、R2 右肺上葉前段、R3 右肺上葉后段、R4 右肺中葉內段、R5 右肺中葉外段、R6 右肺下葉背段、R7 右肺下葉內基底段、R8 右肺下葉前基底段、R9 右肺下葉外基底段、R10 右肺下葉后基底段、L1+3 左肺上葉尖后段、L2左肺上葉前段、L4 左肺上葉上舌段、L5 左肺上葉下舌段、L6 左肺下葉背段、L7+8 左肺下葉內前基底段、L9 左肺下葉外基底段、L10 左肺下葉后基底段。由模型檢測出急性肺栓塞的患者，其檢測出的所有栓子的體積會根據公式隨后自動給出。栓子體積計算公式如下：

公式中，Ωk表示一個血栓區域k，pi表示血栓區域k中的像素i，Vk表示血栓區域k的體積。wi和hi分別表示pi的寬度和高度，Ti表示像素i所在CT 橫截面的厚度。

1.4 CTPA 圖像的人工分析CTPA 圖像由3 名放射科醫師分別獨立評估。1 名有10 年胸部影像診斷經驗的放射科醫師完成中心肺動脈及外周肺動脈栓子評估；1 名有20 年胸部影像診斷經驗的放射科醫師計算Qanadli 栓塞指數和Mastora 栓塞指數。1 名有8 年胸部影像診斷經驗的放射科醫師在CTPA 圖像上測定右心功能相關心血管參數，包括右心室及左心室最大橫徑比、面積比、主肺動脈直徑、升主動脈直徑、主肺動脈及升主動脈直徑比、右室壁舒張期厚度、室間隔舒張期厚度、上腔靜脈面積、下腔靜脈面積、脊柱室間隔角［11-12］。

1.5 統計學方法應用SPSS 26.0 （Chicago，IL，USA）統計軟件包，人工評價和DL-CNN（fs）評價的定量數據用Mean±SD 或中位數（四分位間距）表示。DL-CNN 模型對栓子的分布的診斷價值采用靈敏度、特異度及感興趣區曲線下面積（AUC）評價。AUC 在0.5 ～ 0.7 時表示診斷準確性較低，AUC 在0.7 ～ 0.9 時表示診斷準確性為中等，AUC在0.9 以上時表示診斷準確性較高。AUC = 0.5時，說明診斷方法完全不起作用，無診斷價值［13］。DL-CNN 模型測算的肺動脈栓子體積與Qanadli 栓塞指數和Mastora 栓塞指數之間的相關性比較、DL-CNN 模型測算的肺動脈栓子體積與右心功能參數指標的相關性比較，進行Spearman 相關分析。以P＜ 0.05 為差異有統計學意義。

2 結果

2.1 臨床信息根據納入及排除標準，共納入行CTPA 檢查患者214 例，其中男101 例，女113 例，年齡15 ～ 90 歲，中位年齡64 歲。最終診斷APE 137例（年齡15 ～ 90歲，中位年齡65歲，男64例，女73例），陰性77例（年齡23 ～ 90歲，中位年齡61歲、男37 例，女40 例）。22 例患者由于CTPA 圖像質量差被排除。76 例患者無治療后院內復查CTPA 被排除。31 例慢性肺動脈血栓栓塞性肺動脈高壓、12 例動脈炎及4 例肺動脈肉瘤患者均被排除。

2.2 DL-CNN（fs）模型與人工檢測肺動脈栓子的比較圖1 顯示采用DL-CNN（fs）模型識別分割的肺動脈內栓子。表1 顯示DL-CNN（fs）檢測中心肺動脈栓子與放射科醫師檢測存在顯著差異（χ2=19.653，P＜ 0.001）。表2 顯示DL-CNN（fs）檢測中心肺動脈栓子的敏感度為100%，而特異度僅為16.8%，檢測外周肺動脈栓子的（R10 除外）敏感度、特異度均較高。AUC 顯示DL-CNN（fs）模型評價中心肺動脈栓子的AUC 值為0.584 ，外周肺動脈栓子的AUC 值在0.7 ～ 0.9 之間。

表1 DL-CNN（fs）與放射科醫師檢測中心肺動脈栓子比較Tab.1 The comparison of DL-CNN （fs） and radiologist detecting central pulmonary artery embolism例

表2 DL-CNN（fs）模型檢測肺動脈栓子的價值分析Tab.2 The value of DL-CNN （fs） model detecting pulmonary artery embolism

圖1 采用DL-CNN（fs）分割栓子示意圖Fig.1 Schematic diagram of segmentation of emboli using DL-CNN （fs）

2.3 血栓負荷分析DL-CNN（fs）測算的栓子體積中位數為0.50 mL ［IQR 0.08，6.90］，與Qanadli score 和Mastora score 呈顯著正相關（r= 0.867，P＜0.001；r= 0.854，P＜ 0.001）。表3 顯示DL-CNN（fs）測算的栓子體積與主肺動脈直徑、主肺動脈及升主動脈直徑比、右心室及左心室最大橫徑比、面積比、下腔靜脈面積、脊柱室間隔角顯著正相關（P＜ 0.001）。兩者與上腔靜脈面積、右室壁舒張期厚度、室間隔舒張期厚度、升主動脈直徑無顯著統計學相關。

表3 DL-CNN（fs）測算栓子體積與血栓負荷及心血管參數相關性分析Tab.3 The correlation among clot volume measured by DL-CNN （fs）， clot burden and cardiovascular parameters

3 討論

本研究采用DL-CNN（fs）模型檢測APE 患者栓子分布及血栓負荷，研究顯示DL-CNN（fs）模型對中心肺動脈栓子評價敏感度高而特異度低，對外周肺動脈栓子評價敏感度和特異度均較高［R10（右肺下葉后基底段肺動脈）除外］。DL-CNN（fs）模型測算的栓子體積與右心功能參數間具有顯著相關性，可以反映右心功能。

我們前期研究［8］發現利用DL-CNN 能夠自動檢測APE 患者的栓子，與本研究結果一致。但前期研究未行中心型及外周型肺動脈栓子檢測價值的分析。本研究采用的DL-CNN（fs）模型在評價中心肺動脈栓子時敏感度較高，特異度較低，說明DL-CNN（fs）模型評價中心肺動脈病灶誤診率較高，主要原因有把血管壁周圍軟組織、流速不均偽影、相鄰靜脈、上腔靜脈造影劑偽影識別為中心肺動脈栓子。DL-CNN（fs）模型評價外周肺動脈栓子（R10 除外）的敏感度、特異度均較高，說明DL-CNN（fs）模型可以在一定程度上輔助醫生進行外周肺動脈栓子的評價，可以用于篩查中心肺動脈栓子的有無，但是評價中心肺動脈栓子的特異度需要進一步優化，未來可以考慮把中心肺動脈細分（分為主肺動脈、左肺動脈、右肺動脈及各葉動脈）優化。

APE 嚴重程度同肺動脈負荷相關。以往研究主要應用Qanadli 和Mastora 肺栓塞指數評分半定量評估APE 的阻塞程度［2-3，14-16］，但計算方法復雜而繁瑣。SHEN 等［17］應用計算機輔助檢測（computerassisted detection， CADe）發現，CADe 測算的栓子體積與Qanadli 指數、Mastora 指數呈正相關。本研究發現DL-CNN（fs）模型測算出的栓子體積與肺栓塞指數具有正相關性，可能有助于提高臨床醫生的工作效率、減輕工作量。

右心室及左心室最大橫徑比＞ 1 被認為是CTPA 診斷右心功能不全的可靠征象， 而且與肺栓塞的嚴重程度和死亡有一定的相關性［18-20］。本研究發現DL-CNN（fs）模型測算的肺栓子體積與右心室及左心室面積比、右心室及左心室橫徑比、主肺動脈直徑、主肺動脈及升主動脈直徑比、脊柱室間隔角、下腔靜脈面積均顯著正相關，表明DLCNN（fs）模型測算的肺栓子體積與右心參數間具有相關性，可以在一定程度上反映患者的右心功能情況，從而快速判斷患者情況，指導臨床診療，改善患者預后。

我們的研究有幾個局限性：第一，由于本研究納入及排除標準較為嚴苛，導致本組患者中陽性比例較高，因此一定程度影響DL-CNN（fs）模型評價APE 的價值；第二，人工智能疾病診斷模型的效能明顯依賴于建模數據量，本研究為單中心研究，本模型樣本量尚需進一步擴大，從而提高人工智能模型的魯棒性；第三，研究的參數沒有包括臨床參數，此次納入患者只是APE患者，對于異病同征的情況只能靠人為納入排除標準，目前DL-CNN（fs）模型尚不能區分血栓與非血栓疾病?？傊?，本研究證實DL-CNN（fs）模型檢測肺動脈栓子均具有較高的敏感度，對中心肺動脈栓子檢測特異度差，對外周肺動脈栓子檢測價值較高，模型測算的栓子體積可反映肺栓塞阻塞程度、右心功能，從而輔助臨床醫師對APE快速評估。

【Author contributions】GUO Runcai performed the experiments and wrote the article. WANG Lei，XI Linfeng，HUANG Zhenguo，ZHANG Shuai performed the experiments. LIU Min and HUANG Zhenguo revised the article. LIU Min designed the study and reviewed the article. All authors read and approved the final manuscript as submitted.