非結核分枝桿菌肺病影像學表現及應用人工智能新技術的研究進展

高珊 聶文娟 侯代倫 初乃惠

非結核分枝桿菌(nontuberculosis mycobacteria,NTM)是指除結核分枝桿菌(Mycobacteriatuberculosis,MTB)復合群和麻風分枝桿菌以外的分枝桿菌。人體感染NTM導致各組織、器官發生病變稱為NTM病,其中NTM肺病是最常見的NTM病,近幾年,NTM肺病的發病率和相關的病亡率在全球范圍內逐漸升高[1-2]。雖然我國缺乏NTM病大樣本流行病學數據,但是我國NTM占分枝桿菌比例從1990年的4.9%上升至2000年的11.1%,在2010年甚至達到了22.9%[3-4],NTM病已經成為我國結核病防治領域重點關注的問題之一。近年來,人工智能(artificial intelligence,AI)技術在醫學中飛速發展,越來越多的算法用于自動檢測和量化CT圖像上的病變。在過去,有多項研究試圖在胸部X線攝影或者胸部計算機斷層掃描(computed tomography,CT)上使用機器學習或深度學習算法構建診斷肺結核模型[5-9],同樣,在NTM肺病中也進行了AI新技術的探索。

在臨床工作中,影像學檢查一直是評估NTM肺病病變的重要檢查方式,NTM肺病在胸部X線和胸部CT檢查的影像表現都具有一定的特征性征象,基于此,筆者歸納、整理了NTM肺病的影像學表現和AI在NTM肺病影像學應用于診斷、預后和治療的新嘗試,希望能更好地了解NTM肺病在AI領域的發展趨勢,并且對疾病的診斷和治療方式提供新思路。

常見NTM肺病患者的影像學表現

一、胸部X線表現

NTM肺病在胸部X線上顯示以上葉為主的空洞性病變,伴有胸膜增厚和不均勻線狀或結節狀陰影,空洞可以有多個,但更常見的是單個病變,可表現為邊界不清的薄壁空洞,其內可被空氣或液體填充[10]。

二、胸部CT表現

由于胸部X線檢查的密度分辨率低,非空洞性病變在胸部X線的顯示較少,大多采用胸部CT檢查提高病變檢出的可信度[10]。

1.支氣管擴張及結節為主型病變:該型進展緩慢,多見于不抽煙的老年女性[11-14]。影像學特點以支氣管擴張伴周圍小葉中心結節為主,可合并空洞、斑片影等其他征象[15-16],表現為樹芽征的細支氣管炎、支氣管管壁增厚的節段性支氣管擴張及伴有黏液堵塞是疾病活動的表現[10]。右肺中葉、左肺舌段是NTM患者支氣管擴張累及的常見部位[12,17],同時,支氣管擴張在分布上呈現不對稱性且多位于外周[14]。

2.空洞為主型病變:該型進展較快,主要發生在有潛在性肺部疾病的中年吸煙者[14],影像學表現以空洞為主,可同時合并支氣管擴張、樹芽征、斑片影等其他征象[10,15]。空洞可以分布在單側或者雙側且累及單個或多個肺段,多見于上葉尖段和后段[10]。NTM肺病的空洞更大,洞壁厚度增加并且空洞范圍廣[14]。

3.過敏性肺炎樣表現:又被稱為“熱水浴”肺表現,較少見,由于吸入被NTM污染的熱水蒸氣引起的過敏性肺炎表現,亞急性起病,多見于鳥-胞內分枝桿菌復合群(Mycobacteriumavium-intracellularecomplex,MAC)感染[18],肺內多表現為彌漫性小葉中心性微結節的浸潤和(或)磨玻璃樣改變及呼氣狀態下的空氣潴留[19]。

4.孤立結節腫塊型:可為單發或多發結節,較少見,常在無癥狀的患者中偶然發現,可以是鈣化或非鈣化結節,結節內可見空腔,部分結節需要與癌性結節鑒別[19];局灶性腫塊樣病變與原發性肺癌相似[10],需要借助其他檢查進行鑒別。

5.合并獲得性免疫缺陷綜合征:肺部受累多見播散性病變,表現為粟粒樣結節或者實變影,全身病變則表現為播散性淋巴結病,主要累及縱隔及腹部[19]。

三、NTM肺病與肺結核在影像學表現上的鑒別診斷

NTM肺病與肺結核的CT征象有一定相似性,但仍有其特征表現。NTM肺病雙肺病變比肺結核要常見[20],NTM肺病患者更容易出現薄壁空洞(直徑>3 cm)和支氣管擴張,且支氣管擴張好發于右肺中葉和左肺上葉舌段[21],而肺結核空洞和支氣管擴張好發于上葉尖后段和下葉背段,且肺結核以厚壁空洞多見,擴張的支氣管因周圍有纖維索條牽拉而走形扭曲[15],肺結核患者的肺門淋巴結腫大表現更常見[22]。

AI技術在NTM肺病影像學診斷中的應用

臨床診療過程中,醫生通常根據自身專業經驗和受教育程度對影像圖像中的病灶作出報告和評估,從而完成疾病的檢測和表征,這樣傳統的評價模式可能存在主觀評判不準確或不客觀的問題,而AI擅長自動識別復雜圖像數據并對影像學特征進行客觀且準確的定量評估,由于AI這種非定性評估在圖像識別任務中表現出色,其應用在依賴圖像數據的醫學專業近些年快速發展[23]。機器學習有多種模型和算法,深度學習是機器學習的重要分支,是AI的重要組成部分。對于圖像中有無人工標注特征的參與可以將機器學習分為有監督學習、無監督學習和半監督學習[24]。

國內外學者在胸部X線輔助診斷NTM肺病方面進行了探索與嘗試。Liu等[25]使用胸部X線將稠密卷積網絡(dense convolutional network,DenseNet)121作為深度神經網絡(deep neural network,DNN)的主干結構建立了用于區分肺結核、NTM肺病和疑似分枝桿菌感染的模型,在該模型下測定NTM肺病患者的內部和外部測試集的曲線下面積(area under curve,AUC)分別為0.86±0.006和0.64±0.017,在內部測試集上該模型的準確度(69.0%～64.0%)均高于高年資醫生診斷準確度(53.8%～47.8%,P<0.001)和低年資醫生診斷準確度(50.3%～44.7%,P<0.001),表明該模型分類性能良好且診斷準確率高于醫生。Park等[26]同樣借助胸部X線使用DenseNet 201、殘差神經網絡(residential network,ResNet) 50和Efficientnet B4三個基本卷積神經網絡(convolutional neural network,CNN)模型對數據進行訓練和驗證,并使用ImageNet進行遷移學習調整模型性能,最終在3個 CNN模型的比較中,Efficientnet B4在預測NTM肺病的各項指標最佳,召回率為0.85,F1值為0.77,AUC值為0.88,準確度為85%,Efficientnet B4與ResNet 50進行聯合后,模型的AUC值可提升至0.90,與Efficientnet B4聯合的CNN模型的評估指標均高于放射科醫生,這為探索鑒別診斷NTM肺病與肺結核提供了新的深度學習模型方向。

AI在CT影像輔助診斷中同樣進行了診斷價值的評估。Yan等[27]研究報告使用5 mm層厚CT圖像對病灶進行感興趣區(region of interest,ROI)標注后聯合K-近鄰 (k-nearest neighbor,KNN)、支持向量機(support vector machine,SVM)、極端梯度提升(extreme gradient boosting,XGBoost)、隨機森林(random forest,RF)、邏輯回歸(logistic regression,LR)、決策樹(decision tree,DT)六個分類器對NTM肺病和肺結核的空洞征象進行評估分析,發現LR分類器表現最好,在外部驗證集的精確度、召回率和F1值分別為0.92、0.94和0.93,該研究顯示,對于空洞所提取出的影像組學特征可以為鑒別NTM肺病和肺結核提供有效證據,LR是NTM空洞征象診斷優勢最高的分類器,但是相較于薄層CT,5 mm層厚圖像可能會丟失一些信息從而影響研究準確性。Xing等[28]同樣對病灶進行勾畫后利用機器學習算法對單中心的NTM肺病患者與肺結核患者的支氣管擴張和空洞征象進行分析,發現支氣管擴張征象提供的信息量更大,僅用2個提取出的定量特征聯合線性SVM分類器可得出模型的AUC值為0.84±0.06,準確度為91%～79%,敏感度為95%～81%,特異度為92%～68%,但是增加患者例數后能否保持模型的良好的預測性能還未可知。Wang等[29]報告了一項基于CT圖像的深度學習框架—三維殘差網絡(three dimensions-residential network,3D-ResNet)區分NTM肺病和肺結核有效性的研究,在訓練集、驗證集和測試數據集上的AUC值分別為0.90、0.88和0.86,而在外部測試集上的AUC值為0.78,3D-ResNet模型的AUC值均高于放射科醫生,且模型處理任務效率更高,深度學習模型不勾畫ROI就可得到良好的鑒別性能,還具有比放射科醫生更快的效率和更可靠的準確性。以上結果表明,深度學習可能是提高臨床診斷能力的新方式。

AI基于影像學在NTM肺病預后和治療評價中的應用

AI不僅用于NTM肺病診斷的研究,還有學者對NTM肺病的預后和治療評價進行了分析。Lee等[30]使用基線胸部X線基于深度學習模型影像組學評分來預測NTM肺病患者3年、5年和10年的總病亡率,得到的AUC值分別為0.792、0.781和0.844,影像組學評分聯合臨床信息的LR模型提供的10年、5年和3年病亡率的AUC值分別為0.922、0.942和0.865,并且該研究表示基線胸部X線圖像可以預測NTM肺病的中長期病亡率,可預測性與臨床信息量有關。Yoon等[31]使用半自動ROI分割的方法基于DL的3D nnU-Net探索了NTM肺病和肺結核空洞病變的臨床意義,模型得出NTM肺病空洞病變需要治療的AUC值為0.834 (95%CI:0.773～0.894)。此外,AI算法還具有能輔助評估NTM肺病治療時機的功能,對于幫助醫師進行臨床決策具有重要意義。

總結與展望

雖然NTM肺病影像學征象與肺結核有部分重疊,但可以根據特征性征象、好發部位等進行有效鑒別,同時聯合AI在醫學影像圖像中的使用可以實現NTM肺病的快速診斷,不僅診斷準確率高于放射科醫生,還可以用于預測和評價NTM 肺病治療及預后情況。但是AI在NTM肺病的臨床應用上仍存在挑戰與限制。NTM肺病發病率低于肺結核,對于NTM肺病的研究,無法像肺結核一樣進行大規模分析,因此,目前對NTM肺病的研究主要采用監督學習為主的ROI劃分和特征提取進行小樣本分析。真實世界中進行ROI的劃分需要投入大量的人力和時間,而短時間內進行大量數據運算的無監督學習為主的算法有待挖掘與開發;醫學影像圖像的ROI劃分具有個體差異性,在未來還需建立統一的ROI勾畫標準;NTM肺病的分枝桿菌種類繁多,如何運用AI技術準確鑒別不同菌種類型感染的肺病同樣是亟待解決的問題;此外,目前使用AI模型評估NTM肺病治療療效和預后的研究數量較少,仍需開展進一步分析,以進行更深入地探索與發現。

利益沖突所有作者均聲明不存在利益沖突

作者貢獻高珊:文章撰寫;聶文娟:對文章的知識性內容作批評性審閱; 侯代倫和初乃惠:對文章的知識性內容作批評性審閱、指導、支持性貢獻