文献速递腹部技术与安全CT

影像组学与256层双能CT在轻度急性胰腺炎自动诊断中的应用:形式化方法与高分辨率CT的创新

Radiomics and 256-slice-dual-energy CT in the automated diagnosis of mild acute pancreatitis: the innovation of formal methods and high-resolution CT.
PubMed 文献 · Radiol Med · 2024-08-30

本研究回顾性分析80例因急性腹痛就诊患者的双源256层CT增强扫描,利用基于形式化方法的影像组学模型自动识别轻度急性胰腺炎。模型在测试集(70例)中准确率81%、精确率78%、召回率81%,与放射科医师判断联合后总体准确率可达100%;作者认为该模型可自动检测早期轻度急性胰腺炎,并计划在前瞻性临床实践中验证。

要点

  • 基于形式化方法的影像组学模型在测试集识别轻度急性胰腺炎的准确率为81%、精确率78%、召回率81%。
  • 模型联合放射科医师判断后,总体准确率可达100%。
  • 模型对CTSI 0–1级的轻度急性胰腺炎识别表现最佳,可补充肉眼难以发现的影像特征。

核心结论

  • 基于形式化方法的影像组学模型能够以可接受的可靠性自动检测轻度急性胰腺炎,在放射科医师监督下准确率更高。
  • 作者认为该模型可为放射科医师和临床医师提供临床实践中的咨询参考,并计划在前瞻性观察性研究中进一步测试。

研究设计与样本

  • 回顾性研究,纳入2022年于Antonio Cardarelli医院放射科因急性腹痛就诊的80例连续符合条件患者,使用双源256层CT(Somatom Definition Flash,Siemens Healthineers)行双期增强扫描。
  • 80例分为两组:40例胰腺无CT炎症征象的健康对照组,40例经双期增强CT或后续临床/实验室检查诊断为轻度急性胰腺炎(CTSI 0–3级)的患者。
  • 参考标准为根据国际定义结合临床、实验室和影像学数据诊断的轻度急性胰腺炎;由3名盲法放射科医师阅片,并由1名20年经验盲法放射科医师监督。
  • 最终76例纳入分析(39例健康对照、37例轻度急性胰腺炎),其中6例CTSI 3级患者用于制定形式化属性规则,其余70例作为测试集。
  • 图像采集:仰卧位头足方向腹部扫描,双期增强方案包括虚拟平扫(VNC)图像,有效层厚2.5 mm、重建层厚0.625 mm;多数病例无需3–5 min延迟扫描。

关键影像表现/征象

  • 轻度急性胰腺炎在标准CT上可表现为胰腺水肿、腺体密度改变或萎缩、胰周积液等,但CTSI 0分时这些征象可缺如或轻微。
  • 模型误判为胰腺炎的健康患者多为年轻(年龄<40岁)、正常或超重、腺体肥大、腹膜后间隙小、周围脂肪比例低。
  • 模型误判为阴性的胰腺炎患者腺体密度不同,归因于纤维化萎缩。

诊断标准与关键数值

  • 模型在测试集(70例)中准确率81%、精确率78%、召回率81%。
  • 32例健康患者被形式化方法正确分类为阴性;81%的轻度急性胰腺炎患者被影像组学模型单独识别。
  • 6例CTSI 0–1级轻度急性胰腺炎被部分放射科医师漏诊,其中仅2例同时被影像组学模型漏诊;2例年轻健康患者被放射科医师过度诊断为轻度急性胰腺炎,均被形式化方法正确分类。

临床应用与阅片要点

  • 作者认为该模型可辅助放射科医师和临床医师在临床实践中进行咨询参考。
  • 模型与放射科医师判断联合后,对CTSI 0–1级和2–3级组的总体准确率可达近100%。
  • 作者指出早期诊断有助于早期预后判断和严重程度评估,从而改善患者预后并降低死亡率。

局限性

  • 影像采集的回顾性性质是本研究的主要局限性。
  • 队列样本量仍然有限。
  • 研究排除了慢性胰腺炎,尽管其再激活可引起急性腹痛。
全文中译10 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:Radiol Med. 2024 Aug 30;129(10):1444–53. doi: 10.1007/s11547-024-01878-9

引言

急性胰腺炎(AP)是一种常见的胃肠道疾病,年发病率约为33.74/10万,年死亡率约为1.16/10万[1]。

近年来AP的发病率有所增加,这与其危险因素在普通人群中的普遍存在密切相关,如酗酒、肥胖、2型糖尿病以及心血管和肾脏疾病[2]。

诊断急性胰腺炎需要至少满足以下2项标准:影像学证据显示体征、淀粉酶或脂肪酶升高至正常值的3倍、以及临床主诉腹痛[3, 4]。一旦确立诊断,目前必须将AP分为三个严重程度:轻度急性胰腺炎(MAP)、中度重症急性胰腺炎(MSAP)和重症急性胰腺炎(SAP)[5]。

大多数AP采用保守治疗,仅15%进展为重症急性胰腺炎,但为了早期识别高危患者,

已提出多种评分系统用于确定AP严重程度。急性生理学与慢性健康状况评估II(APACHE II)评分具有最佳的准确性,尽管其仅纳入临床参数[6]。另一方面,计算机断层扫描(CT)严重程度指数(CTSI)和改良CTSI(mCTSI)则纳入了CT影像数据,显示出相当的预后评估效能[6]。

虽然重症急性胰腺炎的诊断由CT图像上的明显体征确定,如腹膜后大面积坏死及肝肾间隙和脾肾间隙的液性积聚,但轻度急性胰腺炎的诊断在标准CT扫描方案可检测到的影像学特征极少的情况下仍具有挑战性[7]。尽管如此,早期诊断至关重要,尤其考虑到其可能在数天后不可预测地演变为良性或严重的临床情况。

目前放射科医师识别AP的平均准确率约为94%,但在识别轻度胰腺炎时降至80%[7]。准确率可能因典型液性积聚和腺体水肿等特征性征象的缺失或证据不足而受限(CTSI评分=0)[7]。

这些特征可能在较晚时间才在CT图像上变得明显,而此时已来不及改变临床管理,随之发生坏死。其中30%的患者将发生重叠坏死感染,并导致不良预后[8]。

为克服这些局限性,CT技术的最新进展旨在以最低剂量暴露确保更高分辨率。其诊断效能已在胰腺肿瘤上进行了测试[9, 10]。

影像组学的实用性已在多个领域得到证实,可通过影像学数据更好地界定临床情况的演变[11–15]。

影像组学是利用纹理分析等方法对放射影像的定量特征进行研究的学科,已被证明可在许多疾病中提供关于潜在病理的额外信息,如肿瘤学领域及内科或外科急症[16–18]。

将影像组学应用于医学图像可产生大量数据,可通过人工智能(AI)进行有效分析[19, 20]。

遗憾的是,在这些情况下大量使用深度学习存在缺点,例如分类过程缺乏可解释性以及对大型数据集的需求,而这在罕见疾病或突发卫生事件的情况下并不总是可行的[21, 22]。

这就是为什么需要有效的替代方案,例如形式化方法[23]:用于验证复杂系统行为的数学方法。此类方法在软件安全领域被用于检查涉及人类生命和资金流动的关键系统的正确运行[24]。

形式化方法已在许多领域展现出良好的可靠性和通用性,例如肿瘤疾病和COVID-19。

它们具有在小样本量下确保可靠性的巨大优势,因为它们不需要机器学习方法的训练集和验证集。作为数学技术,形式化方法还能够在分类过程中具有可解释性,因为处理器在做出最终决策时所采取的步骤可以被回溯[25, 26]。

本研究旨在通过形式化方法探索影像组学的潜力,这在整个急诊影像学领域尚属首次。具体而言,我们旨在实现急性轻型胰腺炎的自动化诊断,寻找“肉眼”不可见的额外特征,以提高CT成像的诊断性能。

研究的主要终点

评估自动化工具根据胰腺影像组学特征诊断轻型胰腺炎的性能。比较监督下的专家放射科医师与自动化工具的诊断性能。轻型胰腺炎的放射学诊断基于CTSI标准[6]。

材料与方法

数据集

本研究按照《赫尔辛基宣言》的指南进行,并获得莫利塞大学机构审查委员会的批准(方案编号20/23,批准日期:2023年7月5日)。

我们回顾性收集了2022年那不勒斯安东尼奥·卡尔达雷利医院放射科连续收治的80例符合条件患者的增强CT扫描,这些患者表现为急性腹痛并疑似急性胰腺炎。

参考标准为根据国际定义诊断的轻型胰腺炎,即结合临床、实验室和放射学数据[27]。

纳入标准为:年龄>18岁;

CT图像采用标准预定义采集方案获取

排除标准为:有局灶性或弥漫性良恶性胰腺病变的证据;

诊断为重型急性胰腺炎、慢性胰腺炎以及胰腺腺体严重萎缩;

不愿意参与本研究。

80例患者被分为两组。

第一组由40例因急性腹痛接受双期增强(CE)-CT检查但胰腺腺体无CT炎症征象的患者组成。

第二组由40例因急性腹痛受轻型胰腺炎影响的患者组成,这些患者通过双期CE-CT成像或随后通过临床表现或实验室检查结果确诊。

CT图像由3名盲法放射科医师审阅,并由1名具有20年经验的盲法放射科医师监督。

图像采集

所有患者均使用双源256层CT扫描仪(Somatom Definition Flash;Siemens Healthineers,埃尔朗根,德国)进行检查,取仰卧位、双上肢外展,行腹部头足方向扫描。此外,采用屏气技术以防止运动伪影。

对比增强CT(CE-CT)方案包括两个期相,均在经静脉(IV)注射对比剂(CM)后获得。这些期相按特定扫描时间进行触发,并包括虚拟平扫(VNC)图像。CT参数见表1。

在大多数情况下,除结果不确定的情形外,无需在3–5分钟时额外进行腹部晚期扫描。

虚拟平扫(VNC)图像通过减去碘增强图像获得,从而降低患者的总体辐射暴露。扫描容积包括从膈肌至耻骨支的腹部区域,有效层厚为2.5 mm,重建层厚设为0.625 mm,以便于全面分析和后处理重建。

表1 CT采集方案 查看原表 ↗

分割与特征提取

我们纳入层厚为2.5 mm的静脉期CE-CT图像。

感兴趣区(ROI)由6名不同操作者逐层为每位患者手动勾画。在开始手动分割之前,已制定方案以避免较高的操作者间变异性(图1)。ROI包括胰腺腺体,严格排除主要血管(门静脉、肠系膜静脉、脾静脉)、十二指肠和小肠。每当存在胰周积液时,将其纳入分割范围。

健康患者的平均ROI数量为19.7个(6–27,95% CI);而不健康患者的平均ROI数量为22.7个(19–31,95% CI)。

随后,通过“PyRadiomics”(美国马萨诸塞州波士顿)提取影像组学特征[28]。

PyRadiomics是3D Slicer软件的扩展,是一个Python库,允许操作者将以DICOM格式上传的放射学图像转换为数值数据,将图像转换为特征,进而转换为数字[29]。

图1 a 健康胰腺患者的ROI;b 轻度急性胰腺炎患者中自动检测到的ROI 查看原图 ↗

特征选择

通过PyRadiomics提取的107个特征经可视化后,通过Weka(通用公共许可证,新西兰)进行选择,该软件为开源软件,通过机器学习算法和数据挖掘,能够在CSV数据集上识别最具判别力的特征。

通过这种方式,AI可以预测新的数据行为。在本研究中,Weka选择了与“健康”和“不健康”胰腺相关的最具判别力的特征。

进一步的步骤包括特征降维或选择[30]。特征降维的输出结果形成6类特征,报告于表2。

表2 提取的6类特征 查看原表 ↗

形式化方法

一旦获得适合本案例研究的最合适特征,即通过离散化数值并将其转换为称为“CCS”的数学语法来创建形式化模型。

这些区间有五个且等效,分别称为“极低”、“低”、“基线”、“高”和“极高”:它们在患者医学图像序列中的存在或缺失是分类的基础。在这种数学技术中不需要测试集和训练集,因此在分类时需要由领域专家(例如放射科医生)进行知识提取。

为了将胰腺炎与健康胰腺区分开来,两名经验丰富的放射科医生选择了6名典型受MAP(CTSI评分3)影响的患者,以制定用于执行分类任务的形式化属性(或规则)。这些患者是从我们的数据库中选择的,考虑到水肿、腺体密度或萎缩以及胰周积液的高表达。

这些规则被定义为区分MAP放射学特征的存在,因此不需要从健康患者中定义规则,健康患者仅作为对照验证组是必要的。

该属性已由模型检查器验证,模型检查器是一种数学代理,在剩余患者队列(图2)[31–33]上检查患者是否满足该属性。

图2 方法学示意图:从医学图像开始,进行ROI分割步骤以定义胰腺区域。经过特征提取和选择后,创建数学模型,然后通过由放射科医生和计算机科学家编写的形式化属性进行验证。模型检查器检查属性是否满足,指示患者为健康或受胰腺炎影响 查看原图 ↗

结果

在分析过程中,从4名患者(1名健康,3名MAP)提取的特征结果不完整;因此,这些患者被排除在队列之外。总体而言,考虑了76名患者,包括39名健康受试者(对照)和37名MAP患者(病例)。后一组包括6名(CTSI为3)被选择用于制定形式化属性规则的患者。

性能最佳的规则是从放射科医生先前考虑的6名患者中的3名获得的,它由从以下患者FIRS CSV_20_CSV35 OR SHAP_CSV20_CSV29中选择的特征类别FIRST和SHAPE定义。

然后该规则在70名患者上进行了测试。结果报告在表3中。32名健康患者被形式化方法正确分类为阴性。

81%的受MAP影响的患者仅通过放射组学模型被识别。

图3a和b显示了部分被放射科医生误诊但被AI正确分类的患者的CT扫描。

盲法放射科医生也查看了检查结果,并验证了他们的操作者间一致性。

6名CTSI评分为0–1的MAP患者被部分放射科医生漏诊,但这6名患者中只有2名也被放射组学模型漏诊。

2名年轻健康患者被放射科医生过度诊断为MAP。这2名患者均被形式化方法正确分类。

放射组学与放射科医生联合模型达到的诊断性能报告在表4中。

ROI已由6名不同的操作者定义。此过程未影响特征提取、特征选择和形式化验证。

表3 形式化模型检查器在测试数据集(n = 70)中的结果;TP = 真阳性,FP = 假阳性;FN = 假阴性;TN = 真阴性 查看原表 ↗
图3 a 一名未受轻度急性胰腺炎影响的年轻患者示例,部分放射科医师误诊,而形式化方法(FMs)正确分类;b 一名受轻度急性胰腺炎影响的年轻患者示例,部分放射科医师误诊,而形式化方法(FMs)正确分类 查看原图 ↗
表4 联合模型、放射科医师与形式化方法的诊断性能 查看原表 ↗

讨论

我们的研究表明,在定义方法学之后,形式化方法能够在短时间内可靠地识别轻度急性胰腺炎,无需任何临床数据或人工操作。特别是,它们在检测MAP方面实现了很高的召回率(或灵敏度),因为在识别CTSI 0或1患者的MAP方面取得了最佳结果。该模型在区分两组患者方面达到了很高的准确率。特别是,被放射科医师误分类为患有胰腺炎的健康患者为年轻(年龄<40岁)、正常或超重,表现为腺体肥大、腹膜后间隙小、周围脂肪比例低。此外,被误分类的不健康患者也因纤维化退变而具有不同的腺体密度。事实上,唯一呈现这些不同特征的患者是被模型视为假阴性但被放射科医师正确分类的患者。

我们认为,该模型的可靠性可以为放射科医师和临床医师在临床实践中提供咨询该模型的可能性。事实上,整体准确率与放射科医师相当,但该模型与放射科医师专业知识相结合的整体准确率在识别CTSI评分0–1组和2–3组方面可达到接近100%的准确率[7]。

此外,在临床实践中,早期诊断必须是临床医师和放射科医师的目标,因为它允许对AP进行早期预后判断和严重程度评估,这对于改善患者预后和降低死亡率至关重要。然而,基于CT图像的CTSI只能在较晚时间(72小时)预测预后,此时胰腺炎特征在CT上已明显可见。我们的模型可以识别CT图像上的最早征象,以评估严重程度放射组学评分[27, 34]。

据我们所知,这也是第一项基于算法的研究,该算法从6名具有典型AP影像表现的患者所提取的特征出发创建,这些患者由两位专家放射科医师在评估放射学特征时协商选定。我们方法学中的这一创新赋予了我们的混合模型极大的可解释性,因为诊断规则不仅基于“肉眼视图”特征,还基于将放射学特征转化为数值特征[35–37]。

但形式化方法学的另一项创新,与最常见的机器学习方法学不同,在于克服了巨大样本量和精确训练集的限制[38, 39]。

机器学习(ML)模型建立在训练集、验证集和测试集的结构之上,因为软件从放射学图像中学习数据。图像通常还可以与输入模型学习过程的临床数据相关联[40–42]。

因此,我们的模型是在没有ML训练队列的情况下开发的。该规则是在6名轻度急性胰腺炎患者中的3名上手动定义的,这3名患者被两位专家放射科医师认为具有该疾病最典型的放射学表现。

除训练集外,其他被分割的患者仅用于验证该规则(训练/测试 6/70),其能够正确分类81%的患者。

此外,形式化方法在图像数据集上也显得可靠,其中感兴趣区(ROI)已由6名不同操作者手动定义。这一过程并未影响特征提取和结果;因此,分割可被认为与操作者无关。

因此,除了形式化方法在临床实践中的其他应用外,与既往研究[43–45]相比,其在急性胰腺炎(AP)上的应用为人工智能的应用展现了不同的机会。我们认为,能够对不同操作者手动完成分割的患者进行分类,是我们研究的主要目标之一。

据我们所知,这也是首项关于急性胰腺炎自动诊断的研究,仅分析门静脉期,因为它减少了分割工作时间,同时保留了胰腺的最佳强化[46, 47]。

在影像组学应用于CT扫描最新技术进展的不同研究中[48–50],这也是一项新颖的研究。

应用于急诊医学的影像组学研究集中于预后预测、慢性胰腺炎的识别与诊断、与胰腺腺癌及自身免疫性胰腺炎的鉴别诊断[51]。尽管多项研究报告了应用于大样本患者的方法学,但它们往往没有健康对照组,而仅关注急性胰腺炎患者以评估预后[52–54]。

影像采集的回顾性性质是我们研究的主要局限性。我们队列的样本量仍然有限,但它们仅代表用于该规则的测试集,该规则仍在进行训练和验证。我们还从数据集中排除了慢性胰腺炎,尽管它可能是急性腹痛复发的原因[55, 56]。我们的模型在代表92%患者的测试集上是可靠的。

这是验证由放射科医师、临床医师和信息学专家创建的混合方法学可靠性的第一步,同时也是实现AP诊断自动化的第一步。本研究的主要目标涉及对急性胰腺炎高风险患者的医院诊疗,以避免进一步并发症。感染性急性坏死性胰腺炎由于患者复杂的炎症反应,始终是非常难以管理的临床情况,因此可能需要介入治疗以解决脓毒症。特别是,重度坏死性胰腺炎可能需要熟练专科医师进行介入或手术处理。尽管微创方法,特别是机器人技术,已被证明在胃外科和肝胆胰(HPB)外科中安全有效,但就胰腺炎而言[57–60],目前文献趋势倾向于在可能时优先选择内镜引流和内镜坏死组织清除术[61]。

然而,急性坏死性胰腺炎(ANP)患者的最佳管理仍存在争议,应针对非常危险且多样的临床状况逐例讨论,并且在转诊中心和外周中心可能有所不同[61, 62]。

未来研究将聚焦于轻度急性胰腺炎自动识别后的预后预测。该模型还将在观察性研究的前瞻性队列中进行测试。

结论

本研究表明,形式属性模型中的放射组学数据可能有助于以足够的可靠性实现MAP的自动化早期诊断,但在放射科医师监督下可获得真正很强的准确性。

引用

  1. Rocca A, Brunese MC, Santone A, et al. Radiomics and 256-slice-dual-energy CT in the automated diagnosis of mild acute pancreatitis: the innovation of formal methods and high-resolution CT. Radiol Med. 2024. PMID: 39214954. doi:10.1007/s11547-024-01878-9
  2. 全文:PMC11480164(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11480164/

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。