引入二次分割构建肺结核空洞影像组学模型
本研究为回顾性研究,使用266张实验室确诊肺结核患者后前位胸片,采用U-net自动分割肺野后叠加滑动窗口二次分割,提取影像组学特征并经标准差与方差两种方式整合、皮尔逊相关(0.8界值)降维后构建随机森林模型,标准差模型AUC为0.9444,方差模型AUC为0.9288,可正确区分空洞与正常胸片。
要点
- 二次滑动窗口分割(16×16像素窗、步长4像素、61×61窗矩阵)可免除病灶精确勾画。
- 标准差模型AUC=0.9444(95%CI 0.8762;0.9814),略优于方差模型AUC=0.9288(95%CI 0.9046;0.9843)。
- 两个影像组学特征集各含10个纹理特征,其中9个相同、1个不同。
核心结论
- 在胸片上引入二次滑动窗口分割可免除肺结核影像组学研究中的病灶勾画,所建模型能正确将空洞与正常胸片分类。
- 作者认为该分割方法可能提高目前作为高通量筛查工具重新受到重视的胸片报告准确性。
研究设计与样本
- 回顾性研究,数据集为2013年8月至2018年7月间实验室确诊肺结核患者的266张后前位胸片。
- 由一名经验丰富的结核临床医生盲法回顾阅片,将胸片分为正常(n=71)或存在空洞(n=195),分类不一致或不确定者均剔除。
- 肺野分割采用基于U-net的本院自动分割模型,该模型在公开Chest X-ray 14数据集训练验证,在JSRT数据集上心脏、肺、锁骨的最大交并比分别为0.8301、0.9210、0.7791。
- 二次分割采用16×16像素方形滑动窗、步长4像素,形成61×61窗矩阵,叠加于肺分割掩膜上;Pyradiomics(3.0版)从每个窗口提取93个二维一阶与纹理特征,形状特征被省略。
- 以标准差和方差两种方式整合特征,皮尔逊相关分析(0.8界值)降维后构建随机森林模型,数据按70%/30%分为训练集与测试集,并采用随机游走过采样处理类别不平衡。
关键影像表现/征象
- 肺结核空洞在胸片上表现为肺内纹理改变,属于活动性肺结核的良好影像学指征,治疗后随时间可转为薄壁光滑空洞。
- 原文指出肺结核影像表现多样,包括空洞、淋巴结增大、浸润、胸腔积液及粟粒型;本研究仅以空洞作为研究对象。
诊断标准与关键数值
- 标准差模型AUC=0.9444(95%CI 0.8762;0.9814)。
- 方差模型AUC=0.9288(95%CI 0.9046;0.9843)。
- 皮尔逊相关分析采用0.8为界值;0.7界值保留的共同特征过少(3和5个,3.2%和5.3%),0.9界值保留过多(21和22个,22.5%和23.6%)。
- 标准差模型与方差模型各含10个纹理特征,9个相同、1个不同。
临床应用与阅片要点
- 原文指出该二次分割方法适用于任何胸片定量研究,但本研究系专为影像组学特征提取而开发。
- 原文指出影像组学可提高影像判读与检测的区分能力,优于放射科医生单独判读。
- 原文认为该模型加入临床体征与症状后,可能减少对实验室结果的依赖并缩短治疗时间。
局限性
- 原文指出二次分割的缺点是显著增加数据维度,但通过在传统降维与建模前引入两种整合方式加以处理。
- 原文指出回顾性数据集中未记录采集设备,可推测使用了多种成像设备。
- 原文指出皮尔逊相关分析假定数据正态分布,少数变量违反正态性假设,经Shapiro–Wilk检验确认。
- 原文指出文献中未找到皮尔逊相关降维的最佳界值推荐,仅一项研究提及使用0.8但未经验证。
全文中译15 节 · 点击展开
引言
根据世界卫生组织的数据,结核病(TB)是全球十大死因之一[1]。然而,在过去二十年中,通过结核病的诊断和治疗,估计挽救了6600万人的生命[1]。早期和准确的诊断对于抗击结核病传播和感染的全球战役至关重要。平面胸部X射线(CXR)结合生物学方法,通常用于筛查或诊断结核病高风险患者的肺结核(PTB)。CXR是结核病高负担国家中最广泛可及的成像方式,并作为高通量筛查方式重新受到重视[2]。CXR的优点包括相对便宜、快速、无创,并且是肺部疾病范围的良好指标[3]。一些缺点是,在资源有限的国家,专业X射线解读人员往往稀缺[4],而且结果受到观察者内部主观性的影响[5]。为降低与X射线解读相关的主观性,数据科学研究集中于量化和分析CXR上的特征[6, 7]。
放射组学特征提取是其中一种工具,可用于量化疾病特征或特征,并评估同一患者系列医学图像的进展,因为它利用基于统计的成像分析算法将医学图像转换为可挖掘的高维数据[8, 9]。放射组学可以提取相关图像信息,能够全面评估感兴趣区域(ROI)中的整个二维景观[10]。放射组学库可以从每张图像中提取数百到数千个特征。作为生成此类大数据的图像挖掘工具,放射组学自然适用于应用机器学习或深度学习方法来开发签名或高级模型构建[10, 11]。
放射组学是肿瘤成像中的一种趋势性研究技术,但在非肿瘤性病理如PTB中研究较少[12, 13]。最近的一项系统综述显示,以PTB诊断或与其他肺部病理鉴别为目的的放射组学特征提取仅在五项研究中得到应用[12]。在所有五项研究中,CT或PET/CT扫描被用作输入成像方式[12]。该综述强调了将特征提取应用于胸部X射线的需求和挑战[12]。一个挑战是PTB具有多样的放射学表现:空洞、淋巴结病、浸润和胸腔积液、粟粒型模式,疾病传播跨越单个肺的 relatively 小部分,或广泛的 bilateral 疾病。这些多样疾病表现的准确分割是困难和耗时的,并且在大型数据集中并不总是可行[14],可能导致显著的观察者偏差[6]。这是非肿瘤性疾病量化中的主要限制,因为分割的变异性是放射组学结果不可重现的最大原因[10]。
当在勾画ROI时接受观察者间和观察者内评估,若干影像组学特征会有不同的解读[14]。一些文章使用专家阅片者的手动分割作为分割的金标准[15],但手动分割和半自动分割均有局限性,而全自动分割模型速度快且具有良好的可重复性。许多分割算法已经通过深度学习方法进行训练,以执行各种成像模态的自动分割任务,包括胸部X线(CXR)[14]。这些模型主要用于器官分割,但尚不能识别病理改变[16],尤其是在非肿瘤性肺部疾病中。我们研究的主要目的是开发一种适用于胸部X线的分割方法,能够消除在肺内精确勾画病变的需要。该分割方法将适用于任何CXR定量研究,但我们开发它专门用于影像组学特征提取。
近年来,影像组学因其能够对医学图像进行定量化以及构建影像组学特征、列线图、机器学习分类器和模型以辅助疾病诊断、疾病状态预测、治疗反应和疾病预后而日益受到欢迎[17]。与仅由放射科医师做出的判断相比,影像组学提高了医学图像的判别性能和检测能力[9, 17, 18]。我们的研究使用影像组学开发了一个模型来自动区分正常CXR与伴有空洞的CXR,以帮助临床医生更准确、更快速地诊断PTB。
PTB有许多影像学表现,但厚壁空洞通常是活动性PTB的极佳影像学指标,随着治疗和时间推移,在治愈的结核中会转变为薄壁光滑空洞[19]。这些空洞引起肺部纹理改变,肉眼可见。因此,本研究选择空洞作为所研究的结核影像学表现。
方法
影像组学多步骤工作流程中的每一步都会影响结果和可重复性[20]。为解决这一问题,2019年发布的影像生物标志物标准化倡议(IBSI)旨在标准化图像生物标志物的命名和定义,以标准化图像生物标志物的提取[21]。本研究在可能的情况下遵循了IBSI指南。
患者选择
这是一项回顾性研究,使用的数据集包含2013年8月至2018年7月期间经实验室确诊为PTB的患者的266张后前位(PA)CXR。这些CXR由参与初始研究的临床医生进行了影像学报告。此外,为本研究,一位经验丰富的结核临床医生被要求在不知晓先前报告的情况下单独回顾性审阅这些X线片。第二观察者确认CXR分类为正常(n = 71)或存在空洞(n = 195)。所有分类不一致或不确定的CXR均从本分析中剔除。在这个回顾性数据集中,采集设备未记录,但可以假定使用了不同的成像设备。
X线预处理
原始数据集包含以DICOM格式存储的图像,这些图像使用多种不同的成像设备采集,患者体位、图像尺寸、方向、光度解释和位深均未标准化。使用Total Image Converter版本8.2.0.237(由CoolUtils.com文件转换器提供)进行初步预处理以确保数据集统一。应用了以下预处理步骤:将所有图像手动裁剪为正方形尺寸,校正部分图像上非常规的光度解释,并将DICOM图像转换为PNG格式。使用Python版本3.7.6将所有图像以双线性插值法插值至256 × 256像素,并将PNG格式的常规RGB类型转换为放射组学库所需的标量类型。
初级图像分割
使用全自动内部署分割模型对肺野进行分割[22]。该基于U-net的模型在公开可用的Chest X-ray 14数据集(CX14)上进行了训练和验证[22]。随后在未见过的公开数据集JSRT数据集上进行测试,心脏、肺和锁骨的最大交并比(IoU)分别达到0.8301、0.9210和0.7791 [22]。该分割模型在将肺分割为256 × 256像素掩膜输出之前,以双线性插值法将图像调整至256 × 256像素。由于所有图像此前已被插值至与掩膜相同的尺寸,因此可以简单地将它们与掩膜相乘,以视觉评估分割模型在未见数据集上的准确性(图1)。所有胸部X线片均被正确分割,无需手动校正。
二级分割
为创建二级滑动窗口分割,创建了一个n × n像素的正方形掩膜,称为采样窗口(w)。选择该采样窗口时,要求其足够大,使所包围的区域能够表现出与底层区域相似的特征,同时尽可能小,以便能够准确检测相邻纹理区域之间的边界。该窗口以预定的窗口步长(wstep)在图像的垂直和水平维度上滑动。因此,wstep决定了采样窗口每一步滑过的像素数,并决定了特征之间边界的解析程度。存在一种权衡:如果wstep过大,边界将无法解析;而如果wstep过小,则计算时间延长,且窗口会对许多特征加以限定并增加其变异性。
滑动窗口掩膜在Python(版本3.7.6)中使用Numpy.array()和PIL.Image()函数创建。选择了16 × 16像素的正方形窗口(w)和4像素的窗口步长(wstep)。窗口将在x和y维度上从胸部X线片的一侧移动或滑动到另一侧,创建61 × 61个窗口的窗口矩阵。矩阵中的窗口数可使用公式1计算,其中[Px, Py]为窗口矩阵的维度,[nx, ny]为图像以像素计的维度,w为窗口大小,wstep为窗口步长。
因此,滑动窗口将导致每幅图像特征的有效维度增加3721倍(61 × 61)。该分辨率足以解析肺部放射组学特征的变化,且计算时间在可接受范围内。
放射组学特征提取
将滑动窗口掩膜叠加在每张胸部X线片(CXR)的初步分割肺掩膜上(见图2)。如果窗口未被肺分割掩膜遮蔽,则从窗口矩阵中的每个窗口提取放射组学特征。
使用Pyradiomics库(版本3.0)从每张CXR的每个滑动窗口中提取93个二维(2D)一阶和纹理特征。基于形状的特征在本研究中无意义,因为这些特征使用掩膜感兴趣区(ROI)来计算数值,故予以省略。
降维
使用R软件(版本4.1.3;http://www.r-project.org/)进行统计分析。二次分割导致所提取特征的维度增加约3000倍。在应用传统降维方法之前,引入了额外指标,即标准差(SD)和方差,以量化和捕获肺区域特征的变化[23]。
分别对空洞数据集(195张CXR)和正常数据集(71张CXR)中的93个特征计算了这两种指标。使用这两种指标下特征的所得表达式构成了特征选择过程的第一步,以限制因特征过多而导致的维度复杂性。对于降维,使用Pearson相关系数来识别不相关的特征[24, 25]。
Pearson相关系数在0到1之间表示正相关,相关系数等于0表示无相关,相关系数在-1到0之间表示负相关。对每一对特征计算这些相关系数。绝对相关系数()大于预定截断值的特征对被移除。本研究考虑了三个截断值,即0.7、0.8和0.9,随后进行评估以确定哪个最适合降维目的。除移除高度相关的特征外,仅保留在空洞数据集和正常数据集中均常见的特征。
模型开发
为了以有意义的方式应用这一所开发的影像组学特征,构建了一个随机森林模型,以区分肺结核(PTB)患者胸部X线摄影(CXR)中所见的空洞与正常CXR [26]。使用该随机森林模型是因其具有吸引人的计算特性和分类性能,因为其设计上对过拟合数据具有稳健性 [26]。由于空洞样本与正常样本之间的不平衡,应用了随机游走过采样技术以提高模型性能 [27, 28]。还考虑了其他四种采样策略,并记录在结果部分。在对数据进行调整以确保代表性均等后,整个数据集按70/30%的比例分别分为训练集和测试集。
构建了两个独立的随机森林模型,分别使用开发SD特征和方差特征时所采用的同一CXR集 [29]。对于两个随机森林模型,均采用网格搜索交叉验证方法来确定每次树分裂时尝试的理想变量数,采用15折和5次重复以进一步限制过拟合。在两个随机森林模型中,网格搜索交叉验证均表明每次树分裂时尝试的理想变量数为1。模型的性能使用测试集、AUC指标、准确率、灵敏度和特异度进行验证。
结果
特征结果
寻找特征的第一步是确定Pearson相关性的最佳截断值。为评估这一点,仅考虑空洞数据集和正常数据集共有的特征数量。图3显示了在相关性分析中考虑不同截断值时,两种不同实变度量所保留的特征数量。
图3所示结果将在讨论部分进行讨论,但由于所保留的特征数量,本研究将0.8视为降维的最佳截断值。当分别考虑空洞数据集和正常数据集时,在两种不同实变度量中,以0.8截断值保留的特征数量在SD度量中分别为11和12,在方差度量中分别为12和12。对于两种度量,正常数据集和空洞数据集仅共有10个特征(如图3所示),另外还保留了1个或2个独有特征。所保留的特征记录在表1中,独有特征以粗体强调。
模型结果
针对SD度量和方差度量获得的影像组学特征包含相同数量的特征(10个),但各自特征中所包含的特征不同(见表1)。因此,构建了两个独立的随机森林模型,使用随机游走过采样技术分别对两个影像组学特征进行建模。我们注意到两个模型在所有性能指标上的模型性能相似(见表2)。
讨论
PTB的及时诊断对于提供及时准确的治疗至关重要,因为治疗延迟可导致不良结局[17]。生物学方法是结核病诊断的金标准,但培养或涂片分析需要时间[30]。CXR可即时获取,但不能作为独立的诊断工具使用。已有研究表明,与放射科医师单独做出的诊断相比,影像组学可以提高医学图像的判别性能和检测能力[9, 17, 18]。在本研究中,我们开发了一个性能良好的影像组学模型,可协助临床医生在CXR上诊断结核所致空洞。当将其与临床体征和症状结合时,可能减少对实验室结果的需求并缩短治疗时间。它还可以提高CXR报告的准确性,而CXR目前作为高通量筛查工具正重新受到重视。能够检测空洞的影像组学模型在未来PTB管理研究中也将有用,届时将对系列CXR及其相应模型进行研究。
在模型构建方面,我们首先必须解决PTB病灶分割的挑战,这是使用影像组学特征提取对X线进行量化时所必需的。我们开发了一种滑动窗口分割方法,使提取的影像组学特征能够模拟疾病所引起的肺区域纹理变化。这种新开发的分割方法的灵感来源于一项先前的研究,该研究使用深度学习方法将CXR上的肺区域细分为多个固定区块[31]。然后他们使用多示例学习(MIL)将每个区块分类为正常或结核表现类别以进行结核病诊断[31]。我们引入了滑动窗口方法而非固定区块,以确保特征窗口之间的边界得到良好分辨。
二次分割的优点在于,它消除了准确勾画病变ROI的需要,而后者在非肿瘤性疾病中既耗时又困难。它也是完全自动化的,从而消除了观察者偏倚并提高了可重复性。二次分割的缺点是它显著增加了数据的维度,但通过在执行传统降维和模型构建之前引入两种不同的整合措施解决了这一问题。
在先前关于PTB影像组学特征或列线图构建的研究中,特征提取被用于量化数字医学图像,目的是比较或区分PTB与其他肺部疾病,主要是肿瘤[13, 24, 32–34]。据我们所知,影像组学尚未被用于PTB诊断或疾病管理的目的。上述影像组学研究是从CT或PET/CT图像进行的[13, 24, 32–34],而当PTB最流行国家的患者对三维成像模式的获取非常有限时[35, 36],这似乎显得多余。出于这一原因,我们使用了相关的2D CXR进行分割和特征提取。
尽管平面图像在影像组学研究中并非流行模态,但此前有一项研究采用深度学习方法进行独特分割,训练模型自动识别肺部胸部疾病并在其周围生成边界框[37]。在该研究中,影像组学特征被用于创建热图以辅助模型识别疾病,而非量化疾病特征[37]。
特征签名的开发
为从CXR开发PTB的影像组学特征签名,需要进行降维以突出最重要的特征并去除冗余特征。本研究中使用的Pearson相关分析假设数据呈正态分布。我们注意到所分析的大多数变量呈正态分布,仅小部分变量违反正态性假设(使用Shapiro–Wilk检验进行检验)。因此相关系数应基本无偏且不受影响。此外,多项研究表明Pearson相关对底层假设的违反具有稳健性[38],尤其是当正态性假设被违反时。鉴于违反底层正态性假设的情况较少,这排除了使用非参数替代方法计算各特征间相关性的考虑。本研究考虑的其他不太成功的降维模型包括:组内相关系数(ICC)、Lasso回归、因子分析、标准化和平均绝对偏差(MAD)。
文献中未找到关于Pearson相关降维最佳截断值的推荐。然而有一项研究提到使用0.8,但未经验证[24]。因此本研究评估了三个不同的截断值:0.7、0.8和0.9。当相关分析使用0.7截断值时,在不同测量中保留的共有特征极少(3个和5个特征:3.2%和5.3%)。这被认为过于保守,并剔除了一些可能有用的特征。0.9截断值保留的特征最多(21个和22个特征;22.5%和23.6%),但这过于宽松,在降维背景下没有用处。因此决定采用0.8作为平衡的截断值。
考虑使用两种通用统计方法来量化和整合每张CXR的3721个窗口所提取的特征。根据统计学定义,方差和标准差可指示组内每个数据条目与组均值之间的差异程度[23]。平均值、中位数和IQR测量最初也被考虑,但根据定义它们都对数据取平均,不提供数据离散程度的信息[23]。从其统计学定义来看,这三种相关测量应产生与忽略二次分割时相似的结果。因此,这三种整合方法无法实现本研究评估影像组学特征在肺区域分布的目标,故被忽略。
针对标准差(SD)和方差测量的两个独立特征签名分别仅通过纳入各自测量中正常数据集与空洞数据集共有的特征来构建。每个签名由10个特征组成,其中9个为共有特征,1个为差异特征(见表1)。该签名未纳入任何一阶统计特征,因为这些特征使用基本统计算法来描述感兴趣区(ROI)内像素的值和分布[15],且不涉及空间关系[39]。纹理特征则通过利用ROI内像素间的统计相互关系来计算[39]。
模型构建
模型构建的目的是开发一种无创工具,能够自动区分肺结核(PTB)患者胸部X线片(CXR)上所见的空洞与正常CXR,以进一步辅助PTB诊断。作为额外收益,成功的模型还将证明所引入的二次分割的有效性和准确性。使用SD和方差影像组学签名构建的两个模型的分类结果(表2)在大多数指标上均显示出较强的诊断能力。
理论上,机器学习算法最适合模型训练过程中分布均匀的样本[40]。因此,使用随机游走过采样技术对数据进行了调整,该算法通过生成合成实例使数值属性的均值和标准差保持接近原始数据[27, 28]。该技术确实纠正了采样分布中空洞组与正常组之间的不平衡,从而改善了模型的分类性能。还考虑了另外四种采样策略,但效果不太令人信服:过采样、合成少数类采样技术(SMOTE)、模拟和多数加权过采样技术(MWMOT)。
为构建随机森林模型,采用网格搜索交叉验证方法来确定每次树分裂时尝试的理想变量数,设置15折和5次重复以进一步限制过拟合。网格搜索法是一种穷举方法,通常通过考虑模型这些值的所有可能组合来寻找最优参数值,使分类器能够更准确地预测未标记或测试数据[29]。在两个随机森林模型中,网格搜索交叉验证方法均表明每次树分裂时尝试的理想变量数为1。
因此,SD模型的性能略优于方差模型,其AUC值为0.9444(95% CI,0.8762;0.9814),大于方差模型的AUC值0.9288(95% CI,0.9046;0.9843),但方差模型的95% CI更窄,意味着该估计值的范围更小。图4直观地支持了这一点。方差模型的分类准确率优于SD模型,分别为87.50%和83.33%,表明方差模型在数据中所有观测值中正确预测的空洞数量多于SD模型。方差模型的模型灵敏度再次优于SD模型,分别为85.42%和77.08%,表明方差模型正确识别了所有空洞CXR中的85.42%。有趣的是,两个模型的特异度均为89.58%,表明两个模型都将识别出89.58%的无空洞患者,即CXR正常。方差模型的精确度值再次高于SD模型,精确度分别为89.13%和88.1%。这表明当方差模型预测存在空洞时,其正确率为88.1%。
在模型构建时还考虑了另外三种常用的机器学习算法:逻辑回归和Lasso回归(分别采用最小误差和偏离一个标准误)。由于数据的复杂性以及随机森林模型能够对信息重叠且区分度较低的类别组进行分类,这三种算法在正确分类空洞方面均表现不佳,不如随机森林模型。
尽管我们能够开发出稳健的影像组学模型,但本研究仍存在局限性。一个主要限制是由CXR图像固有的重叠性质所致。肋骨和其他高密度重叠结构会在肺部产生噪声,这些噪声会被影像组学特征检测到。目前已有一些尝试开发骨抑制软件,可在回顾性分析中从CXR中去除肋骨[41],但这些模型尚未成熟到足以应用于我们的未见数据集。成功去除所有重叠的高密度结构可能会进一步提高我们模型的性能。空洞是PTB的一种单一表现形式,但基于图像的研究中一个常见挑战是,单张X线片上可能存在多种放射学TB表现(如淋巴结增大、浸润和胸腔积液)。需要注意的是,空洞CXR数据集中可能存在的这些其他放射学表现可能会给本研究的结果带来一定的主观性。我们的滑动窗口分割方法仅在PTB的单一表现上进行了测试。未来展望将把该技术扩展到其他表现和临床模型。
结论
在本研究中,构建了两个独立的影像组学模型,两者均对正常胸部X线片和肺结核患者X线片上的空洞取得了良好的分类准确率。这是通过在常规自动肺分割基础上叠加二次滑动窗口分割实现的。这种可重复的自动分割方法消除了困难且费时的手动病灶勾画任务,并减轻了人工判读X线片所带来的主观性。性能良好的影像组学模型可协助临床医生利用数字胸部X线片及时诊断肺结核。结合临床体征和症状,它可能有助于肺结核的诊断和治疗启动,并提高大规模X线肺结核筛查或监测规划的准确性。
引用
- du Plessis T, Ramkilawon G, Rae WID, et al. Introducing a secondary segmentation to construct a radiomics model for pulmonary tuberculosis cavities. Radiol Med. 2023. PMID: 37474665. doi:10.1007/s11547-023-01681-y
- 全文:PMC10474191(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10474191/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。