文献速递头颈技术与安全DRCT

利用深度学习人工智能算法提高侧位颈部X线片对滞留动物骨的检出

Improving detection of impacted animal bones on lateral neck radiograph using a deep learning artificial intelligence algorithm.
PubMed 文献 · Insights Imaging · 2023-03-16

该研究回顾性收集2010年1月至2020年3月动物骨滞留患者的侧位颈部X线片,开发基于Faster-RCNN的深度学习算法,并在独立测试集和2020年4月至6月的模拟临床队列中评估。测试集中AI模型敏感度96%、特异度90%、准确率93%;AI辅助下各专科医师准确率均提高,模拟队列中AI比放射科报告多正确识别3例阳性病例。

要点

  • AI模型在测试集检出动物骨的敏感度为96%、特异度为90%、准确率为93%。
  • 所有不同专科医师在AI辅助下阅片准确率均高于无AI辅助。
  • 模拟临床队列20例阳性中AI正确识别12例,比放射科报告多3例。

核心结论

  • 深度学习AI模型在侧位颈部X线片上检出动物骨滞留的敏感度高于无AI辅助的阅片者,且未增加假阳性率。
  • 该模型应用于临床可能有效缩短诊断时间、加快工作流程并减少CT使用。

研究设计与样本

  • 回顾性研究,收集2010年1月至2020年3月动物骨滞留患者的侧位颈部X线片,共1783张用于开发算法。
  • 1733张分为训练集1213张和验证集520张,另随机50张阳性与50张阴性组成测试集。
  • 模拟临床队列为2020年4月1日至2020年6月30日共126例(20例阳性、106例阴性),比较AI与放射科报告。
  • 所有病例经软式纤维镜或硬式食管镜确认,标注参考内镜报告、标本照片及CT(如有)。
  • AI模型基于Faster-RCNN卷积神经网络与Inception-resnet-v2架构,IoU>0.7定义为正确检出。

关键影像表现/征象

  • 动物骨在侧位颈部X线片上表现为直接可见的阻射密度影,间接征象包括异常空气柱透亮影、颈椎前凸消失及椎前软组织增厚。
  • 假阳性示例为AI将甲状软骨后下板钙化误判为异物,可通过识别符合双侧甲状软骨后下板形状的两条平行线来确认。
  • 漏诊的6例为异物被肩部遮挡或超出视野(C7水平2例、T1水平2例、T3水平2例)。

诊断标准与关键数值

  • 测试集中AI模型敏感度96%、特异度90%、准确率93%。
  • 测试集中放射科医师敏感度和准确率最高,所有医师AI辅助后各专科准确率提高均超过10%。
  • 模拟队列中20例阳性病例,AI正确识别12例,放射科报告识别9例,AI多识别3例。
  • 模拟队列106例阴性中,放射科报告误判10例为阳性,AI误判7例为阳性,两者仅2例重叠。
  • 模拟队列与测试集相比,AI模型和放射科医师的敏感度均下降超过30%。

临床应用与阅片要点

  • 本研究中心疑似异物滞留患者先接受直接口腔检查,未发现则行喉纤维镜,仍阴性再行侧位颈部X线片。
  • 侧位颈部X线片阳性可豁免进一步CT检查,除非怀疑并发症。
  • 阅片时需注意颈部复杂钙化和骨化结构可遮挡图像或被误认为动物骨,老年患者尤其困难。
  • 儿童患者中AI未漏诊动物骨,但儿童样本占比小(测试集50例阳性中3例,模拟集20例阳性中2例),需更大样本进一步研究。

局限性

  • 训练模型的数据来自单一机构,虽来自不同品牌和型号X线机且跨度10年,仍需外部验证进一步核实。
  • 不同物种动物骨(尤其不同鱼种)可能影响检出率,不同饮食地区结果可能不同。
  • 模拟部分研究时间较短,临床疗效可能需前瞻性临床试验更好评估。
  • 检出率受平片固有局限性限制,尤其对胸段食管滞留骨。
  • 儿童患者仅占样本小部分,需更大样本儿童患者研究才能得出更明确结论。
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2023 Mar 16;14:43. doi: 10.1186/s13244-023-01385-x

引言

异物吞入及随后的嵌顿,例如鱼骨嵌顿于上消化道,是急诊就诊的常见原因,症状从疼痛、吞咽困难到气道受压不等[1]。然而,患者对异物感、吞咽困难或咽部疼痛等症状的描述并不总是足够具体以定位异物[2]。尽管如此,详细记录患者病史和全面的体格检查仍是初始患者管理的标准。虽然后续管理可能因机构而异,但患者在口咽部检查阴性后通常会接受颈部侧位X线摄影[3]。如果颈部侧位X线摄影结果为阴性,则可进一步行非增强计算机断层扫描(NECT)或直接食管镜检查。这些检查可能费用较高,且要么更具侵入性,要么产生更高的辐射剂量。

颈部侧位X线摄影是一种相对廉价且易于获取的管理工具,用于评估疑似颈段食管动物骨嵌顿的患者。然而,既往研究确实报告了不同的检出率[4–6],可能是由于医生间判读技能的差异以及不同异物呈现的不同射线不透性所致[3, 7]。此外,颈部侧位X线摄影的准确判读可能受到影像判读者具体亚专业及相关经验的影响[8]。

近年来,人工智能(AI)技术,特别是深度学习算法,已在放射学领域得到研究,以提升诊断过程、准确率、病灶检测和预后预测模型[9]。AI的使用可以极大地改善放射科医生在处理病灶检测和分割等劳动密集型任务时的工作流程[10]。其他优势包括提高诊断准确性、实现图像分割等任务的自动化,以及通过提高诊断效率和减少额外影像学检查需求来降低医疗成本的潜力[11–13]。然而,AI在医学影像中的开发和使用存在若干挑战。主要挑战之一是高质量、标注医学影像数据的有限可用性,而隐私和数据保护方面的担忧可能进一步加剧这一问题。此外,由于难以理解AI算法的决策过程,AI的可解释性也存在担忧[14]。此外,规范AI在临床实践中使用的指南和政策的制定滞后于AI应用的发展[11]。目前,开发用于平片异物检测的AI算法缺乏大型标注开放数据库,且很少有研究报告有前景的结果。最近一项研究报告称,AI模型在相对较小的训练样本中检测吞咽电池和硬币方面达到了高准确率[15]。然而,由于动物骨骼的射线不透性相对较低且形状和大小多变,其在X线片上的检出率远低于金属物体[6, 16]。在本研究中,我们旨在开发一种深度学习算法,用于在侧位颈部X线片上自动识别和标注滞留动物骨骼。除了在独立测试集中验证算法的传统方法外,我们还在模拟临床环境中使用来自不同时间段的临床队列分析了深度学习AI模型的效能。

材料与方法

研究人群

我们回顾性审查了2010年1月至2020年3月期间因主诉吞咽异物而至我院急诊科就诊的所有患者。患者纳入流程首先通过检索医疗健康记录,筛选出因异物吞入诊断至急诊科就诊并接受硬质食管镜或软性纤维内镜检查的患者。初步检索后,审查医疗记录和操作记录以确定适合进行影像学审查的合格病例。排除诊断为其他疾病或吞入动物骨骼以外异物的病例。此后,参考操作记录、标本照片以及可获得的CT(附加文件1:图S1)对每张颈部侧位X线片进行审查。所有患者病例均经软性纤维内镜或硬质食管镜确认。无年龄限制,但我们排除了吞入硬币或电池的儿童患者,因为其临床表现不同,且通常在颈部侧位或胸部正位X线片上非常明显。食物团块、植物种子、金属义齿和塑料材料嵌顿的病例也被排除,因为可用病例太少,不适合用于人工智能模型的开发。我院机构审查委员会批准了本研究。我院疑似动物骨骼嵌顿患者的临床检查流程与既往报告[17]相似,如图1所示。

图1 疑似动物骨骼嵌顿的临床工作流程。因动物骨骼嵌顿就诊的患者将首先接受直接口腔检查,如果口腔检查无阳性发现,则随后进行喉纤维镜检查。检查过程中发现的骨骼将直接取出。如果未检测到异物,则进行颈部侧位X线检查。如果仍未识别异物,则进行从舌根到胃的无对比剂CT检查。如果通过平片或CT在食管内检测到异物,则在全身麻醉下用硬质食管镜或在镇静下用软性纤维内镜取出异物。颈部侧位X线片检测到骨骼的患者可免除进一步CT检查,除非存在并发症的担忧。如果CT未检测到异物,则患者在症状改善后出院 查看原图 ↗

图像标注与预处理

我院侧位颈部X线摄影的常规曝光设置根据患者体型和年龄进行调整。对于青少年和成人,我们使用的曝光设置为63 kVp和16 mAs,而对于儿童和婴儿,设置为60 kVp和12 mAs。对于颈部短粗的肥胖患者,我们使用的曝光设置为66 kVp和20 mAs。所有图像均使用包含鱼骨的边界框进行标注。动物骨骼的识别是基于内镜报告、标本照片以及可获得的CT图像进行回顾性完成的。参考这些可用数据后仍无法识别动物骨骼的病例被排除在研究之外。共纳入并标注了1783张侧位颈部X线片。输入数据文件为DICOM文件,图像数据以像素阵列形式提取。随后对像素数据进行对比度调整以提高目标可见度,并进行边缘锐度增强以提高图像清晰度。出于图像训练目的,像素数据还从原始16位数据缩放为0至1的浮点数字类型。

深度学习算法的开发

我们的模型基于Faster-RCNN卷积神经网络,采用Inception-resnet-v2架构预训练模型,其中Faster-RCNN提供基于区域的卷积网络,Inception-resnet-V2提供从目标区域的特征提取。网络输入为代表被吞入动物骨骼的边界框坐标,并以单一标签进行训练。输出为预测的被吞入骨骼的边界框坐标。训练和测试环境在TensorFlow 2.5上实现,并使用独立显卡进行处理。

数据包括1783个DICOM文件,由侧位颈部X线图像组成,其中随机选取50个文件构建测试集。其余1733个文件按约6:4的比例(1213:520)分为训练集和验证集。Adam优化器被配置为训练优化器,其中学习率设为0.0001,训练批大小为1。由于训练过程中仅有单一标签,未进行类别平衡处理。训练设置为计算约200个epoch。每个病例的正确检测由标注边界框与输出边界框之间的交并比(IoU)定义。IoU > 0.7定义为正确。模型在定制工作站上进行训练,配置为Intel Core i9-9900 K CPU、64 GB DDR4内存、1 TB固态硬盘、2 TB硬盘和一个RTX 2070 GPU。

深度学习算法的评估

测试集

共50张含动物骨骼的颈部侧位X线片和50张不含动物骨骼的颈部侧位X线片被随机组合作为测试集。阅片者包括2名放射科医师、2名放射科住院医师、2名急诊科医师(1名委员会认证医师和1名在训医师)以及2名耳鼻喉科医师(1名委员会认证医师和1名在训医师)。对人工智能(AI)算法和人类阅片者均评估了灵敏度、特异度和准确率。所有参与测试的参与者均不知道测试集中异物嵌顿阳性受试者的比例、自己在测试中的表现以及每次阅片的正确答案。所有参与者在经过6个月的洗脱期后,在AI模型的辅助下重新参加考试,以评估AI辅助判读的表现。

模拟深度学习算法在真实临床环境中的应用

从2020年4月1日至2020年6月30日,共有209名以动物骨骼嵌顿为主诉就诊于急诊科的患者被纳入研究。其中,83例通过直接口腔检查或喉纤维镜被识别并取出,20例为食管骨骼嵌顿阳性,其余106例为骨骼嵌顿阴性。126例患者(20例食管嵌顿骨骼阳性和106例阴性)被纳入分析。所有126例患者均接受了颈部侧位X线摄影检查。将AI的表现与放射科医师的报告进行了比较。

统计分析

在本研究中,连续变量(年龄)和分类变量(性别)分别采用方差分析(ANOVA)和卡方检验进行分析。结果以均值±标准差(SD)表示。所有人口学数据分析均使用Windows版Statistical Product and Service Solutions(SPSS)软件19版(IBM)进行。p值<0.05被认为具有统计学意义。

结果

数据集

纳入训练集、验证集和测试集的患者人口学数据见表1。2010年1月至2020年3月期间,共有1783张可识别骨骼嵌顿的颈部侧位X线片。在1783张颈部侧位X线片中,随机选取50张作为测试集。其余1733张X线片被分为训练集(1213张)和验证集(520张)。训练集和验证集中的患者平均年龄大于测试集和模拟集中的患者,而性别方面无差异。用于构建数据集的图像由3个不同制造商生成:CARESTREAM、SHIMADZU和TOSHIBA。

表1 纳入训练集、验证集、测试集和模拟集的患者人口学数据 查看原表 ↗

AI模型和医师的表现

深度学习算法真阳性和假阳性的代表性病例见图2。AI模型和医师在由100例患者组成的测试集上的各自表现见表2。模型的灵敏度、特异度和准确率分别为96%、90%和93%。在医师中,放射科医师表现出最高的灵敏度和准确率。经过6个月的洗脱期后,所有医师在AI模型的辅助下均表现出改善,各专科医师的准确率提高均超过10%,见表2和图3。

图2 深度学习算法真阳性和假阳性的代表性病例。深度学习算法的真阳性和假阳性。a 侧位颈部平片及深度学习算法结果显示,C7水平椎前软组织处有一异物(箭头),部分被肩部遮挡。b 平扫CT显示C7水平颈段食管处有一异物,取出的标本照片显示为一扁平长方形鱼骨。c 深度学习算法将甲状软骨后下部的钙化误判为异物。通过识别符合双侧甲状软骨后下部形状的两条平行线,可以确信地识别出这一点。 查看原图 ↗
表2 AI模型和有/无AI辅助的医生在测试集上的表现 查看原表 ↗
图3 医生在有/无AI辅助下的表现。ROC曲线显示每位医生在有/无AI辅助下的表现。两次阅片之间间隔6个月的洗脱期。 查看原图 ↗

临床环境中实际应用的模拟

在3个月的时间范围内,共分析了126例以动物骨嵌顿为主诉就诊于急诊科、且口腔及喉纤维镜检查均为阴性的患者。其中,20例食管骨嵌顿为阳性,其余106例骨嵌顿为阴性。AI模型和放射科医生报告的结果见表3。在106例阴性病例中,71例出院并在耳鼻咽喉科门诊随访,而35例患者因症状持续接受了从舌根到胃的CT扫描。在20例被确定为动物骨嵌顿阳性的病例中,11例在放射科医生的侧位颈部X线片报告中被记录为阴性。这11例中的每一例随后均接受了CT扫描,CT上确实发现了嵌顿骨,随后在全身麻醉下经硬性内镜取出。参照CT影像后,回顾性发现这11例中有5例在原始X线片上可识别。回顾性认为在原始侧位颈部X线片上不可见的6例,其嵌顿骨或被肩部遮挡或位于视野外(C7水平2例;T1水平2例;T3水平2例)。我们的AI模型正确识别了20例动物骨嵌顿中的12例,包括放射科医生报告中识别出的9例之外另外漏诊的3例。正如预期,被肩部遮挡或位于视野外的6例也被AI模型漏诊。在106例无动物骨嵌顿的病例中,放射科医生报告中有10例被误判为阳性,而AI模型误判7例为阳性。在这些假阳性病例中,AI模型与放射科医生报告之间仅存在2例重叠病例。

表3 AI模型和放射科医生报告在模拟集上的表现 查看原表 ↗

讨论

我们在此提出一种深度学习人工智能算法,用于在颈部侧位X线摄影上检测阻生动物骨。该算法在测试集中表现出与人类阅片者相比非劣效的检出率。我们进一步在一个由不同时间段入组患者组成的模拟集中研究了该算法在真实临床环境中的潜在应用,并与放射科医师的报告进行了直接比较评估。直接比较显示,该深度学习算法在颈部侧位X线片上比放射科医师多正确识别了3块动物骨。

既往有几项研究探讨了颈部侧位X线摄影在异物阻生患者中的价值,报告的灵敏度范围为10%至90%以上[4–6]。灵敏度的差异可能归因于异物成分及其位置的不同。值得注意的是,报告较高灵敏度的研究并未根据异物的具体类型对病例进行区分[4, 5, 18],而报告较低灵敏度的研究仅纳入阻生动物骨[6, 19, 20]。对于动物骨阻生,研究确实提示平片价值不大,而CT显示出最高的准确性[19, 20]。同时,更近期的研究建议仅在喉纤维镜检查阴性后才进行颈部侧位X线摄影,因为该检查患者耐受性良好,而颈部侧位X线摄影对位于口咽部的动物骨的检出率较差[6, 18]。在本机构中,所有疑似异物阻生的患者最初均接受喉纤维镜检查。因此,颈部侧位X线摄影的主要价值在于检测喉纤维镜无法触及的异物,而在颈部侧位X线摄影上检出的阻生骨将使患者免于进一步的CT扫描。在平片上阳性识别阻生动物骨将有效加速诊断和处理流程,同时降低辐射剂量和医疗费用。

颈部侧位X线摄影上阻生动物骨的影像学征象包括直接显示不透X线密度影以及间接征象,包括异常空气柱透亮影、颈椎前凸消失和椎前软组织厚度增加[21]。然而,由于间接征象可能仅反映局部软组织刺激[21, 22],除非直接显示动物骨,否则在确定最终治疗前通常需进行进一步检查,如非增强CT(NECT)。与既往报道[8]相似,在本研究中,不同工作年限和亚专科医师对颈部侧位X线摄影的判读准确性存在差异。尽管借助深度学习人工智能算法,每位医师均表现出准确性提高。判读者准确识别颈部侧位X线片上各种大小和不同位置动物骨的能力随经验逐渐提高,因此我们的深度学习人工智能模型可有效加速并增强这一习得能力。

在测试集和模拟集之间,深度学习人工智能模型和放射科医生的敏感度均下降了30%以上。这一结果的主要原因可能是两个集合所包含的队列不同。更具体地说,除训练集和验证集外,测试集仅纳入在颈部侧位X线摄影上可识别动物骨骼的病例。相比之下,模拟集没有此类排除标准,因此包含了本会被测试集排除的病例。因此,在模拟集中观察到的检出率下降可能归因于颈部侧位X线摄影检测滞留动物骨骼的固有有效性有限。

模拟集中纳入了14例动物骨骼病例,这些病例在回顾性评估中被认为在颈部侧位X线摄影上可识别,无论是否参考CT图像。在这14例中,5例被放射科医生漏诊并随后接受了CT扫描。与放射科医生相比,我们的深度学习模型准确检测出另外3例,如果该模型应用于临床实践,这将意味着减少3次CT扫描。此外,由于人工智能模型和放射科医生的大多数假阳性并不重叠,人工智能模型可以起到补充颈部侧位X线摄影判读的作用,从而实现更低的假阳性率。

不同机构对动物骨骼滞留患者的影像学评估方式各不相同,从将平片作为一线影像学检查[17, 23]到在评估过程中完全放弃平片[24, 25]不等。尽管缺乏敏感度,但平片上的阳性结果具有足够的特异性,可支持直接治疗而无需进一步影像学检查[23]。由于许多漏诊病例在回顾性评估中可识别,我们的人工智能模型可能增强颈部侧位X线摄影检测动物骨骼滞留的判读过程,从而减少进一步影像学检查的需求并加速临床工作流程。然而,X线判读者应了解可能影响颈部侧位X线摄影判读的因素。在临床实践中,由于颈部复杂的钙化和骨化结构可能遮挡图像或被误认为吞咽的动物骨骼,对老年患者的颈部侧位X线摄影进行判读通常具有挑战性。在本研究中,人工智能算法未在儿科患者中漏诊任何动物骨骼。这可能归因于软组织穿透性更好,且颈部没有遮挡性的钙化或骨化结构。然而,由于儿科患者仅占样本的一小部分(测试数据集中50例阳性病例中的3例,模拟数据集中20例阳性病例中的2例),需要涉及更大数量儿科患者的进一步研究才能得出更明确的结论。

人工智能在放射学实践中整合的主要挑战之一是,放射科医师需要接受使用人工智能算法的培训,并理解人工智能模型的决策过程[26]。另一个挑战是需要放射科医师与人工智能开发者之间开展协作,以确保人工智能算法得到 proper 验证且结果得到 proper 解读[27]。最后,人工智能在放射学实践中的整合还需要基础设施建设,以及与医院现有放射信息系统(RIS)和图像归档与通信系统(PACS)的整合。本研究中的AI模型是一个相对直接的应用,针对非常具体的临床场景,其使用培训将简单且快速。然而,用户必须注意,该算法是在单一机构中训练的,因此模型的准确性可能会受到不同饮食文化中摄入的不同种类动物骨骼的影响。

本研究的优势在于,标注和分类并非基于放射科医师的报告,而是回顾性地参考CT、内镜和标本照片,以确保用于开发算法的数据质量。同时,确实存在若干局限性。首先,用于训练模型的数据来自单一机构。尽管数据是在10年期间由不同品牌和型号的X射线机获取的,但仍需要外部验证以进一步核实。由于不仅X射线机的品牌和型号可能影响最终结果,来自不同动物物种(特别是不同种类的鱼)的动物骨骼也可能影响检出率[20, 28]。因此,在不同饮食的不同地理区域,结果可能有所不同。其次,研究的模拟部分是在相对较短的时间内进行的,而临床疗效可能通过前瞻性临床试验能更好地评估。第三,尽管我们的结果证明了AI辅助检测在平片上减少CT成像需求的潜在益处,但检出率受限于平片摄影的固有局限性,特别是对于嵌顿于胸段食管的骨骼。最后,该深度学习AI模型经过训练,专门用于在颈部侧位X线片上识别动物骨骼,并非旨在替代正式的放射学报告。相反,该AI模型的目的是辅助阅片者快速识别颈部侧位X线片上嵌顿的动物骨骼,而阅片者仍应仔细审视图像以发现其他潜在的关键发现,如颈椎、气道异常或颈部其他软组织病变。

总之,我们的深度学习AI模型在识别颈部侧位X线片上嵌顿动物骨骼方面表现出优越的敏感性,且未增加假阳性率。我们的AI模型在临床实践中的应用可能加速诊断过程,从而改善工作流程并减少对CT成像的需求。

补充信息

附加文件1。补充图1。患者入组流程图。

引用

  1. Chen YS, Luo SD, Lee CH, et al. Improving detection of impacted animal bones on lateral neck radiograph using a deep learning artificial intelligence algorithm. Insights Imaging. 2023. PMID: 36929090. doi:10.1186/s13244-023-01385-x
  2. 全文:PMC10020388(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10020388/

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。