文献速递神经CTDSA

深度学习辅助提高放射科医生对蛛网膜下腔出血中次要颅内动脉瘤的检测敏感性

Deep learning assistance increases the detection sensitivity of radiologists for secondary intracranial aneurysms in subarachnoid hemorrhage.
PubMed 文献 · Neuroradiology · 2021-04-10

本研究评估深度学习模型(DLM)能否提高放射科医生在CT血管成像(CTA)上检测动脉瘤性蛛网膜下腔出血(aSAH)患者颅内动脉瘤的敏感性。在独立测试集(104例患者,126个动脉瘤)中,DLM辅助将三名放射科医生的检测敏感性从91.1%、86.5%、86.5%分别提升至97.6%、97.6%、96.0%,整体P=0.024。结论是DLM显著提高了检测敏感性,尤其是对次要动脉瘤。

要点

  • DLM辅助可显著提高不同经验放射科医生对aSAH患者CTA上动脉瘤的检测敏感性(整体P=0.024)。
  • DLM辅助主要增加了次要动脉瘤的检出(占额外检出动脉瘤的88.2%)。
  • DLM辅助使观察者间一致性从中等(Fleiss κ=0.502)提升至几乎完美(Fleiss κ=0.878)。

诊断标准与关键数值

  • DLM-Ens在测试集上的检测敏感性为85.7%,每扫描平均0.84个假阳性。
  • 放射科医生单独检测敏感性:读者1(13年经验)91.1%,读者2(4年经验)86.5%,读者3(3年经验)86.5%,平均88.1%。
  • DLM辅助后检测敏感性:读者1 97.6%,读者2 97.6%,读者3 96.0%,平均97.1%(整体P=0.024)。
  • 观察者间一致性:单独读片Fleiss κ=0.502(95%CI 0.416–0.588),DLM辅助后Fleiss κ=0.878(95%CI 0.788–0.969)。

临床应用与阅片要点

  • DLM辅助可帮助放射科医生检出易漏诊的次要动脉瘤,尤其适用于经验不足或疲劳状态下的读片。
  • DLM对小型(<100 mm3)和大型(>100 mm3)动脉瘤均有辅助提升作用。
  • 需注意DLM可能漏诊非典型位置(如周围分支)的动脉瘤,如本例中真菌性动脉瘤被DLM和读者共同漏诊。

局限性

  • 回顾性研究无法完全模拟急诊aSAH的真实生理压力环境。
  • 回顾性数据收集可能导致相对谱偏倚。
  • 读者知晓测试集每例患者至少有一个动脉瘤,可能人为提高读者检测敏感性。
全文中译14 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:Neuroradiology. 2021 Apr 10;63(12):1985–94. doi: 10.1007/s00234-021-02697-9

引言

动脉瘤性蛛网膜下腔出血(aSAH)由颅内动脉瘤自发性破裂引起,约占非创伤性蛛网膜下腔出血(SAH)的85% [1, 2]。aSAH的死亡率在23%至67%之间,是一种可能危及生命的疾病,并构成全球性健康负担,约20%的长期幸存者遗留永久性残疾 [1, 3]。

准确可靠地检出可能破裂的颅内动脉瘤(RIA)对于非创伤性SAH患者的诊断及后续治疗方案至关重要 [4, 5]。尤其是,及时通过手术或血管内手段进行动脉瘤栓塞是预防再出血的必要措施,再出血可能对患者预后产生决定性影响。通常,CT血管成像(CTA)是筛查动脉瘤的首选影像学方法,并在影像学证实SAH后立即进行。与数字减影血管造影(DSA)相比,CTA对颅内动脉瘤的检出灵敏度据报道在85%至98%之间 [6–8]。

由于放射科工作负荷不断增加,医师疲劳和“搜索满足”现象成为切实的关注点,加剧了遗漏相关发现的风险 [9, 10]。鉴于CTA上的动脉瘤检出具有挑战性,aSAH的误诊最终可能导致不良临床结局,颅内动脉瘤的自动检测可能对医师提供有价值的辅助 [11–14]。在过去十年中,深度学习模型(DLM),尤其是卷积神经网络(CNN),在不同亚专科的医学影像诊断和分析任务中展现出巨大潜力 [15–18, 19]。

既往研究已引入了多种基于深度学习的CTA [18, 20–22]或磁共振血管成像(MRA)[23–25]动脉瘤检测方法,比较了DLM与人类阅片者的准确性,并研究了深度学习辅助下医师的诊断性能 [20, 25]。然而,这些研究未纳入aSAH患者,而是聚焦于未破裂颅内动脉瘤(UIA)[20, 25]。因此,深度学习是否能提高不同经验水平的人类阅片者对aSAH中动脉瘤的诊断灵敏度仍是一个相关问题。在一项近期研究中,引入了一种DLM,其对aSAH中动脉瘤的检出灵敏度高,且不受脑循环和出血严重程度的影响 [26]。

本研究旨在探讨该DLM是否能提高放射科医师在aSAH患者CTA上对颅内动脉瘤的检出灵敏度。

材料与方法

机构审查委员会批准了这项回顾性、单中心研究(参考编号:19-1329),并豁免了书面知情患者同意的必要性。

患者人群与数据收集

作者回顾了2013年1月至2017年12月期间在我院三级大学医院连续治疗的210例aSAH患者。排除标准如下:(I)CTA扫描不可用(n = 16),(II)CTA上未发现动脉瘤(n = 6),(III)CTA上有运动伪影(n = 2),(IV)CTA对比度不足(n = 7),(V)预处理失败(n = 5),(VI)既往治疗过的动脉瘤(n = 2)。

纳入的2016年至2017年间接受治疗患者的CTA扫描作为DLM的训练集(68例患者/79个动脉瘤),而2013年至2015年间接受治疗的患者构成测试集(104例患者/126个动脉瘤)。这些数据集先前曾用于DLM的训练,并在上述研究[26]中构成测试集的一部分。在该研究[26]中,2010年至2015年间的患者被用作测试集(总计:185例患者,215个动脉瘤)。

本研究纳入的170次扫描在单一中心使用不同的多排CT(iCT(n = 161)、Brilliance 64(n = 3)和Brilliance 16(n = 6);Philips Healthcare,Best,荷兰)采集,采用标准化的头颈部或头部成像临床方案,层厚范围为0.62至1.25 mm。两名患者的CTA扫描在转诊机构采集。匿名化处理后,CTA源图像导出至IntelliSpace Discovery进行分割(ISD,v3.0.6,Philips Healthcare)。

参考标准

为确定动脉瘤计数和参考标准,一名具有3年经验的放射科医师(L.P.)、一名具有4年经验的神经外科医师(L.G.)和一名具有12年神经血管成像经验的委员会认证神经放射科医师(C.K.)对CTA和DSA(153例患者可获得,占89.0%)扫描及其报告进行了双重审阅。分歧通过共识解决。

动脉瘤发现由上述神经外科医师和放射科医师在ISD上手动分割。分割采用两步半自动方法交互进行。首先,通过3D体素级区域阈值化获得动脉瘤的粗略分割。随后,使用2D编辑工具对分割进行进一步手动编辑。此外,上述阅片者共同审阅平扫CT扫描,以共识确定aSAH的相应Fisher分级。

图像预处理

为实现基于DLM的自动动脉瘤分割工作流程,采用了预处理流程[26]:首先,使用统计参数映射软件包第8版(SPM8;Wellcome Trust Centre for Neuroimaging)开发脑提取算法以计算脑掩模[27]。其次,通过重采样至0.5 mm3的各向同性分辨率和强度归一化进行图像标准化。第三,对脑掩模图像应用多尺度血管增强滤波器(由两幅血管增强图像组成,一幅尺度为0.5–5体素,另一幅尺度为5–15体素),以增强扫描背景中的动脉,从而区分血管与动脉瘤[28]。第四,原始CTA图像在5%至95%百分位数之间进行归一化,而血管增强图像进行Z分数归一化。

深度学习模型

所用DLM的具体细节及其训练在其他文献中描述[26]。简言之,本研究使用基于DeepMedic(Biomedical Image Analysis Group,Department of Computing,Imperial College London)的3D CNN[29]。

三个独立的深度学习模型(DLM)(DLM-Orig、DLM-Vess和DLM-LDim)接收不同的CTA数据集输入,在训练集上采用五折交叉验证进行训练,训练-验证集按80–20%划分。通过结合三个DLM的输出,创建了一个类似于Kamnitsas等人工作的集成模型[30]。我们将这种组合策略称为DLM-Ens。为此,将三个训练好的DLM应用于测试集,每个训练好的DLM由五折交叉验证训练方法产生的五个独立子模型组成。使用同时真实性和性能水平估计(STAPLE),将这五个子模型的输出融合在一起。随后,三个DLM的STAPLE输出被传递给DLM-Ens,以产生最终的、全自动的三维动脉瘤分割结果[31]。

图像预处理和动脉瘤检测的全自动工作流程如图1所示。DLM全自动分割动脉瘤所需时间约为3分钟(包括图像预处理和模型集成)。图2展示了在IntelliSpace Discovery用户界面上的全自动动脉瘤分割结果。

图1 图像预处理(I:脑提取,II:图像标准化,III:使用尺度为0.5–5体素(上图)和5–15体素(下图)的双血管增强图像进行血管增强,IV:图像归一化)、深度学习模型(DLM)输入及模型集成的自动化工作流程。蓝色部分为左侧颈内动脉动脉瘤的最终三维分割结果。CTA,CT血管造影 查看原图 ↗
图2 使用深度学习模型在IntelliSpace Discovery上基于浏览器的全自动动脉瘤分割 查看原图 ↗

放射科医师对动脉瘤的检测

测试集的匿名且未标注的CTA扫描以随机顺序呈现给三位具有不同专业水平的放射科医师(读者1:13年(J.B.),读者2:4年(U.H.),读者3:3年(A.K.)诊断神经放射学经验),进行颅内动脉瘤的独立评估。这些读者未参与参考标准的定义。为了模拟急诊环境(即aSAH患者入院时的情况),读者被指示以全面但及时的方式进行阅片。所有阅片均在临床常规使用的同一IMPAX EE(Agfa HealthCare N.V.,Mortsel,比利时)工作站上进行,必要时使用多平面重建(MPR)工具。

读者被告知每个数据集至少包含一个动脉瘤,并被建议在Microsoft Excel(2016,Microsoft Corp.,Albuquerque,New Mexico,USA)数据表中使用以下标签报告其发现:ICA(颈内动脉)、ACA(大脑前动脉包括前交通动脉)、MCA(大脑中动脉)和POSTERIOR(大脑后动脉、后交通动脉和椎基底动脉区域),并附上相应的血管侧别。此外,读者对患者和临床数据设盲。此外,读者被指示以秒为单位记录每次扫描的阅片时间。初次阅片后,向读者提供DLM的结果,并可在数据表的单独列中相应修改其阅片结果。将DLM-Ens和放射科医师的检测性能与参考标准进行比较。

为了探究DLM是否能提高放射科医师的检出率,将读者1、2和3的结果与DLM提供的检测结果相结合。

统计分析

统计分析使用Microsoft Excel和SPSS(V22.0,IBM Corp.,Armonk,NY,USA)进行,P < 0.05被认为具有统计学意义。分类变量以数量和百分比表示。连续变量以平均值 ± 标准差(SD)和范围报告。放射科医师和DLM-Ens的敏感性通过与ISD上动脉瘤分割提供的参考标准进行比较来计算。检测率在适当时使用Fisher精确检验或配对Student's t检验进行比较。评定者间一致性使用Fleiss κ评估,0表示无一致性,0.01–0.2为轻微一致,0.21–0.40为一般一致,0.41–0.6为中度一致,0.61–0.80为高度一致,0.81–1.00为几乎完全一致[32]。

结果

患者和动脉瘤特征

在测试集中,104例患者(平均年龄:55.4 ± 14.3岁,66例女性)的126个动脉瘤在ISD上进行了分割,构成参考标准。基线患者和动脉瘤特征见表1。大多数患者表现为世界神经外科医师联盟(WFNS)评分5分(32.7%)和Fisher 4级出血(53.8%)。18例患者(17.3%)有多发动脉瘤。手动分割得出的平均动脉瘤体积为129.2 ± 185.4 mm3(5.0–920.71 mm3)。动脉瘤位于ACA的占39.7%,MCA的占31.0%,ICA的占16.7%,后循环的占12.7%。

表1 测试集患者和动脉瘤特征的绝对值和相对值 查看原表 ↗

DLM和放射科医师的检测敏感性

DLM-Ens检测到126个动脉瘤中的108个(敏感性:85.7%),同时注意到87个假阳性发现,对应于每次扫描平均0.84个假阳性。漏诊的动脉瘤主要位于前循环(72.2%),平均体积为49.0 ± 43.1 mm3(基于手动分割)。

读者1,具有13年经验的神经放射科医师,正确检测到115个动脉瘤(敏感性:91.1%),读者2检测到109个(86.5%),读者3检测到109个(86.5%)。读者的平均敏感性为88.1%。所有三位读者的平均阅读时间为43.0 ± 14.12 s,其中读者2的阅读时间最长(45.8 ± 17.7 s;P = 0.017)。放射科医师之间的评定者间一致性为中度(Fleiss κ为0.502;95%置信区间(CI):0.416–0.588)。

表2提供了关于阅片者和深度学习模型(DLM)漏诊动脉瘤的详细结果。特别是,有3个动脉瘤被DLM和放射科医师同时漏诊(图5):左侧大脑前动脉的一个真菌性动脉瘤可能因其非典型的周边位置而被漏诊。另外两个位于前交通动脉和右侧后交通动脉的动脉瘤被漏诊,可能因其体积较小,且被阅片者忽视或误判为漏斗部。所有阅片者合计,共有10个原发性动脉瘤被阅片者漏诊(平均体积:82.0 ± 60.8 mm3,表2)。当排除上述相对较大的左侧大脑前动脉真菌性动脉瘤(n=3)后,这些发现显示体积为40.9 ± 21.7 mm3,位于前交通动脉(n=3)和后交通动脉(n=4)。

表2 阅片者和深度学习模型(DLM)漏诊的动脉瘤。SD,标准差 查看原表 ↗

DLM增强的放射科医师检测灵敏度

在披露DLM结果后,阅片者1额外发现了8个此前漏诊的动脉瘤(其中8个为次要动脉瘤),阅片者2额外发现了14个(13个次要动脉瘤),阅片者3额外发现了12个(9个次要动脉瘤)。所有阅片者合计,88.2%的额外动脉瘤为次要动脉瘤。因此,阅片者1、2和3的检测灵敏度分别提高至97.6%、97.6%和96.0%,平均总灵敏度为97.1%(P = 0.024)。此外,评分者间一致性增至几乎完美,Fleiss κ为0.878(95% CI:0.788–0.969)。表3提供了关于放射科医师单独及联合DLM检测动脉瘤的详细结果及其阅片时间。

如表4所述,DLM显著增强了放射科医师对小体积(< 100 mm3)和大体积(> 100 mm3)动脉瘤的检测。

示例性动脉瘤发现见图3、图4和图5。

表3 三名放射科医师单独及联合深度学习生成检测的灵敏度及其各自的阅片时间 查看原表 ↗
表4 三名放射科医师单独及联合深度学习生成检测对小动脉瘤和大动脉瘤的灵敏度 查看原表 ↗
图3 一名77岁男性动脉瘤性蛛网膜下腔出血(Fisher 2级)的轴位CT血管造影源图像。所有三名阅片者均检测到前交通动脉的动脉瘤(a,箭头),但漏诊了基底动脉头部的动脉瘤(b,箭头)。深度学习模型检测到两个动脉瘤 查看原图 ↗
图4 一名55岁男性动脉瘤性蛛网膜下腔出血(Fisher 4级)的轴位CT血管造影源图像,显示左侧大脑中动脉(a)、右侧大脑中动脉(b)和左侧颈内动脉(c)的动脉瘤(箭头)。阅片者1漏诊了右侧大脑中动脉的动脉瘤,而阅片者2和3漏诊了左侧颈内动脉的动脉瘤。深度学习模型检测到所有动脉瘤 查看原图 ↗
图5 三个被阅片者和深度学习模型漏诊的动脉瘤的轴位CT血管成像原始图像。a 一名69岁男性,动脉瘤性蛛网膜下腔出血(Fisher 4级),左大脑前动脉真菌性动脉瘤(箭头)。b 一名41岁女性,动脉瘤性蛛网膜下腔出血(Fisher 4级),前交通动脉动脉瘤(箭头)。c 一名33岁女性,动脉瘤性蛛网膜下腔出血(Fisher 3级),右后交通动脉动脉瘤(箭头) 查看原图 ↗

讨论

在本研究中,我们旨在探讨深度学习模型(DLM)是否能提高放射科医师在动脉瘤性蛛网膜下腔出血(aSAH)患者CTA上检测颅内动脉瘤的敏感性。深度学习辅助显著提高了阅片者的检测敏感性至95%以上,且不受经验水平影响,主要通过提高次要动脉瘤的检出率实现。DLM可辅助阅片者检出小动脉瘤和大动脉瘤,同时使阅片者间一致性从中等提高至几乎完美。

既往研究评估了DLM在CTA[18, 20–22]和飞行时间(TOF)-MRA[23–25]上检测颅内动脉瘤的表现,并探讨了深度学习增强是否能提高人类阅片者的诊断性能[20, 25]。在Park等人的研究中,人工智能辅助使放射科医师和一名神经外科医师(2–12年经验)在CTA上检测未破裂颅内动脉瘤(UIAs)的敏感性从83%显著提高至89%[20]。在Faron等人的TOF-MRA研究中,深度学习辅助提高了放射科医师(2年和12年经验)检测UIAs的敏感性,但未达到统计学显著性[25]。

本研究是首个探讨放射科医师在SAH患者中深度学习辅助检测动脉瘤表现的研究。DLM的检测敏感性为86%,与本研究中阅片者的敏感性(87%–92%)相当,与医师在CTA上检测UIAs的敏感性(>3 mm动脉瘤为83%[20])相当,略低于DLM在TOF-MRA上检测UIAs的敏感性(90%[24])。鉴于aSAH患者蛛网膜下腔内有血液积聚,人们可能预期DLM的性能会因高密度动脉邻近的高密度物质而受损。然而,本研究的DLM每次扫描的假阳性数量相当低(少于1个),且不受出血程度影响[26]。这一每次扫描的假阳性发现数量实际上低于其他研究,这些研究探讨了基于深度学习的检测,主要针对TOF-MRA上的未破裂动脉瘤(例如Sichtermann等:6[24],Ueda等:10[23])或CTA上的未破裂动脉瘤(例如Dai等:9[22],Yang等:高达14[18]),这对其在临床常规中自动化检测的可行性提出了疑问。DLM全自动分割动脉瘤所需时间约为3分钟,因此在急诊工作流程中是可行的,其中推理可在采集后执行,并与重建过程整合,同时将数据传输至图像归档和通信系统。

有趣的是,深度学习模型(DLM)和阅片者均遗漏了大脑前动脉周围分支上一个相对较大的真菌性动脉瘤。关于DLM,可以推测,包含非典型动脉瘤位置的更精细训练可能会进一步提高检测灵敏度。基于这些考虑,在将DLM应用于临床实践之前,应开展大规模、多中心的注册训练研究。

除上述研究外,DLM提高了三位具有不同神经血管影像经验的放射科医生对小型和大型动脉瘤的检测灵敏度,即使是拥有13年经验的阅片者1也是如此[20, 25]。在Park等人的研究中(该研究 also 纳入了无动脉瘤的CTA扫描),人工智能将人类阅片者的灵敏度从83%显著提高至89%[20],而在本研究中,DLM使灵敏度提高的幅度更大(从88%提高至97%)。在Faron等人的TOF-MRA研究中,深度学习辅助产生了相似的检测灵敏度(分别为98%和97%)。然而,仅人类阅片者的检测灵敏度已达到94%和95%[25];因此,DLM并未像本研究中那样同等程度地提高人类灵敏度。

鉴于颅内血管的复杂性,基于CTA的动脉瘤检测被证明既耗时又具有挑战性,因此在医生之间表现出很大的变异性,即使对经验丰富的阅片者也是如此,尤其是对于小型动脉瘤[11, 12, 14]。因此,三位阅片者之间仅观察到中等程度的阅片者间一致性,经验丰富的阅片者比经验较少的阅片者获得更高的检出率,这在预期之中。在将其检测结果与深度学习生成的发现相结合后,观察到几乎完美的阅片者间一致性,DLM提供了额外的发现,包括< 100 mm3的动脉瘤(相当于最大直径为6 mm)。因此,增强医生的表现可能有助于对影像数据进行更精确和一致的解读。值得注意的是,与Park等人的研究相比,本研究中应用的DLM在提高阅片者间一致性方面具有更大的影响(0.376 vs. 0.060)[20]。

鉴于放射科日益增加的工作量,深度学习模型(DLM)和计算机辅助检测算法为临床医生提供了有价值的辅助,以应对需要分析的不断增长的数据量[16, 33, 34]。DLM的总体检出率为86%,本身不及一位经过培训且经验丰富的神经放射科医生,后者的检出率为91%。然而,该神经放射科医生额外遗漏了11个动脉瘤,这最可能归因于“搜索满意”现象。DLM检出了这11个动脉瘤中的8个。因此,深度学习生成的检出结果在急诊环境中提供了重要的辅助,尤其是对于缺乏经验且可能不堪重负的阅片者,DLM分别为其额外检出了14个和12个动脉瘤。值得注意的是,所有阅片者合计共遗漏了10个原发性动脉瘤,其中大多数(n=9)由缺乏经验的阅片者遗漏。尽管已知每个数据集至少包含一个动脉瘤,这些发现最可能因其非典型的周边位置及其在前交通动脉和后交通动脉处的小尺寸而被遗漏,从而因被误判为漏斗部而导致疏忽。

“搜索满意”现象在放射学及普通医学中是一个值得关注的问题[9, 10]。在本研究中,放射科医生被告知每个数据集至少包含一个动脉瘤;因此,阅片者在大多数病例中能够检出至少一个动脉瘤。这些前提条件很可能人为地提高了放射科医生的总体检出敏感度。然而,在临床实践中,放射科医生在诊断基底池蛛网膜下腔出血(SAH)后也会预期检出动脉瘤,即使在非动脉瘤性SAH这一相对罕见的病例中也是如此。尽管放射科医生具有这一优势,DLM仍取得了与阅片者相当的结果,并显著提高了其检出敏感度。因此,这些效应在临床常规中可能更为显著。此外,深度学习辅助尤其帮助放射科医生检出了次要动脉瘤,约20%的aSAH患者存在次要动脉瘤(本研究中为17%)[35, 36]。DLM额外检出的动脉瘤中88%实际上为次要动脉瘤。这些结果表明,DLM为人类阅片者提供了相关支持,尤其是对受到搜索满意现象影响以及因缺乏培训或因疲劳而注意力不集中的医生。

局限性

需要考虑以下局限性:第一,像aSAH情况这样的急诊环境中的生理性应激无法在回顾性研究中完全重现。第二,纳入数据的回顾性收集会导致相对谱偏倚。第三,阅片者知晓测试集中的患者至少存在一个动脉瘤。因此,唯一未知的变量是存在继发性动脉瘤的患者数量。这一研究设计的前提最有可能导致放射科医师的敏感性被人为提高。第四,鉴于未纳入非动脉瘤性SAH患者的CTA扫描,因此没有无动脉瘤患者的对照组,这无法评估特异性。第五,本研究中纳入的CTA数据集几乎全部来自单一机构,采用固定扫描方案且图像质量充分,这不能反映日常临床实践,并限制了算法的泛化能力。因此,本研究的发现及真实临床影响需要在前瞻性、多中心环境中得到证实,该环境允许外部验证,并将深度学习生成的检测直接应用于临床工作流程。

结论

在aSAH患者中,DLM将放射科医师对颅内动脉瘤的检出率显著提高至95%以上。额外发现的病变主要为继发性动脉瘤。这些结果表明,整合深度学习辅助可为放射科医师在aSAH患者中进行准确动脉瘤检测提供有价值的补充。

引用

  1. Pennig L, Hoyer UCI, Krauskopf A, et al. Deep learning assistance increases the detection sensitivity of radiologists for secondary intracranial aneurysms in subarachnoid hemorrhage. Neuroradiology. 2021. PMID: 33837806. doi:10.1007/s00234-021-02697-9
  2. 全文:PMC8589782(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8589782/

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。