文献速递腹部技术与安全CT

粘连性小肠梗阻:深度学习在CT上自动检测移行区

Adhesion-related small bowel obstruction: deep learning for automatic transition-zone detection by CT.
PubMed 文献 · Insights Imaging · 2022-01-24

本研究利用2005-2018年间404例粘连性小肠梗阻患者的562次CT,训练卷积神经网络联合概率定位模型自动检测移行区(TZ)。移行区最常见于下腹区(56.9%),耦合分类网络与概率映射模型的AUROC为0.93;当高亮15%腹盆腔体积时,高亮区域包含移行区的概率为92%。作者认为该方法为自动检测移行区提供了可能路径。

要点

  • 移行区最常见位于下腹区(56.9%),超过85%位于下腹区、右腰区和脐区三个区域。
  • 耦合分类网络与概率映射模型定位移行区的AUROC为0.93(原文未报告95%CI)。
  • 高亮15%腹盆腔体积时,高亮区域包含移行区的概率为92%。

核心结论

  • 耦合卷积神经网络分类与概率定位估计来建模移行区定位,展示了实现自动移行区检测的可能路径,这是一项具有重大临床影响的复杂放射学任务。
  • 移行区最常见位于下腹区(56.9%),该模型结合CNN与概率映射可缩小腹盆腔移行区搜索体积,是开发有效机器学习系统的第一步。

研究设计与样本

  • 研究类型为模型训练与评估研究,回顾性纳入2005年1月至2018年7月本机构连续腹盆腔CT,最终562次CT(404例患者)用于标注,患者中位年龄70岁(范围16–90岁),女性312例、男性250例。
  • 移行区标注由7名腹部CT经验2至30年以上的放射科医生完成247次CT,另315次CT由9名经培训的住院医师完成,所有标注由研究协调员审核,争议病例与一名腹部影像经验超过30年的专家达成共识。
  • 数据按患者水平随机分为训练集70%、验证集20%、测试集10%,三组间无重叠,人口学参数与标注者经验在三组中分布相同。
  • 预处理先用预训练算法提取腹盆腔区域,再用随机游走算法分割为平均大小300×400×300的体积;将腹盆腔区域分别分为27(3×3×3)、64(4×4×4)或125(5×5×5)个图像块,每个块二分类为含或不含移行区,块大小调整为64×64×64。
  • 模型为3D卷积神经网络,含四个卷积块后接两个全连接层,每个卷积块由两个3D卷积层(卷积核大小3)、ReLU激活、批归一化和3D最大池化层(池化大小2)组成,全连接层后接ReLU激活和0.5丢弃率,使用平衡交叉熵损失,并对阳性块做随机平移0–3 cm和随机缩放0.8–1.2的数据增强。

关键影像表现/征象

  • 对562次标注CT进行热图分析,移行区在下腹区占56.9%,超过85%的移行区位于下腹区、右腰区和脐区三个区域。
  • 不同腹盆腔分区下,27块分区的AUROC为0.95(CI:0.92–0.97)、平均精确率为0.43(CI:0.30–0.57);64块分区的AUROC为0.95(CI:0.93–0.96)、平均精确率为0.31(CI:0.19–0.45);125块分区的AUROC为0.93(CI:0.89–0.97)、平均精确率为0.13(CI:0.08–0.22)。
  • 特定解剖区域的块AUROC差异较大,右腰区很高,而脐区和下腹区仅为0.80。
  • 采用空间加权后,最佳加权块分类模型(125块)的AUROC为0.93;空间调整使AUROC仅提高0.01或0.02(取决于分区),假阴性率无变化,但搜索的腹盆腔体积减少4%。

诊断标准与关键数值

  • 移行区定位以标注边界框中心作为参考标准,由经验丰富的放射科医生和经培训住院医师用边界框标注,开放环梗阻标注一个边界框、闭袢梗阻标注两个边界框。
  • 图像块二分类的阈值取验证集上最大化约登指数(敏感度+特异度−1)的CNN分类分数,最大约登指数对应的假阳性率为0.14。
  • 在假设仅一个块含移行区时,误分类高亮块数服从参数为(124,0.14)的二项分布,平均误分类块数为17/124。

临床应用与阅片要点

  • 作者认为该模型作为高亮图可识别最可能含移行区的腹盆腔区域,高亮15%腹盆腔体积时包含移行区的概率为92%(原文摘要报告为92%,讨论部分报告为93%)。
  • 原文指出该模型识别单个含移行区块的准确性有限,并非临床实践的最佳选择,仍需大量工作来构建接近腹部影像放射科医生性能的机器学习模型。
  • 作者计划下一步开发预测缺血的模型,在CT上标注肠壁强化减低和弥漫性肠系膜模糊。

局限性

  • 外部效度受限,因数据来自单中心且所有CT机型均来自同一制造商,该局限主要适用于测试集。
  • 因识别含单个移行区块的准确性有限,该模型并非临床实践的最佳选择,仍需大量工作来构建接近腹部影像放射科医生性能的机器学习模型。
  • 本研究仅纳入粘连性小肠梗阻,其占小肠梗阻病因的60%以上,进一步研究应纳入所有病因。
  • 数据真实标准可能受到批评:依赖专家在CT上的标注而非生物学参考标准;CT定位移行区的最佳参考标准仍不明确,作者假设手术参考可能最佳,但相当比例粘连性小肠梗阻采用非手术治疗,且术中精确空间定位移行区存在争议。
全文中译13 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. 2022 Jan 24;13:13. doi: 10.1186/s13244-021-01150-y

要点

我们结合CNN分类和概率映射来检测粘连相关小肠梗阻(SBO)的移行区。

移行区最常见位于下腹部区域(56.9%)。

分类网络与概率映射耦合模型的ROC曲线下面积为0.93。

引言

小肠梗阻(SBO)是一种常见的非创伤性外科急症,在美国每年约有400,000例入院[1]。在SBO的病因中,最常见的是粘连[2]。

所有指南均推荐计算机断层扫描(CT)作为疑似机械性SBO患者的一线影像学检查[3, 4]。其目标有四个方面:(i)确认或排除SBO的诊断,当存在SBO时,(ii)定位梗阻部位,即移行区(TZ),(iii)确定病因,以及(iv)寻找并发症如绞窄或穿孔。识别TZ或各TZ(并确定其数量)并确定其位置是诊断SBO病因和区分开环与闭环机制的第一步[5]。闭环性SBO的诊断可独立预测缺血[6],并有助于决定粘连相关SBO患者是否需要手术。

然而,识别TZ或各TZ耗时且受观察者间和观察者内变异性的影响[7]。因此,自动化TZ定位对于加快急诊病例的诊断和提高放射科医师诊断闭环机制的表现将具有重要价值。

近几十年来,机器学习在放射学诊断方面的潜力迅速发展,最初得益于数据存储能力的提升,随后得益于基于图形处理单元的并行处理硬件的出现[8]。因此,医学影像中深度神经网络的研究数量急剧增加。然而,很少有团队关注SBO。唯一已发表的分类模型是针对标准腹部X线平片制作的[9–11]。尽管CT在诊断SBO方面的益处已得到公认,且3D模型可能具有与多平面重建相当的贡献[12],但尚无研究使用CT或3D模型。

本研究的目的是构建一个3D深度学习模型,以帮助放射科医师在粘连相关SBO患者的CT扫描中定位TZ或各TZ。

材料与方法

数据集

回顾性识别了2005年1月至2018年7月期间在本机构进行的所有腹盆腔CT扫描。在研究期间的42,000份连续CT扫描报告中,4098份包含“obstruction”和/或“intestine”一词。在这4098份CT中,2472份具有SBO的健康信息系统代码。一位腹部专家放射科医师确定2472份报告中有1287份为机械性SBO患者。最终,识别并标注了404例粘连相关SBO患者的562份CT。患者年龄中位数为70岁(范围16–90岁),其中女性312例,男性250例。附加文件1:表S1描述了研究CT的分布,附加文件1:文本T1描述了CT采集技术。

在562例CT中,247例由7名具有2年至30年以上腹部CT经验的放射科医师标注。其余315例CT扫描由9名事先接受过该流程培训的住院医师标注。所有标注均由研究协调员(Q.V.)审核,对于研究协调员与放射科标注医师之间存在争议的病例,已与一位具有30年以上腹部放射学经验的专家(M.Z.)达成共识。这些标注是使用Incepto-Medical(法国巴黎)构建的平台完成的。标注者被要求在开环梗阻的情况下围绕单个TZ放置一个边界框,在闭环梗阻的情况下放置两个边界框[5]。图1总结了患者选择和报告流程。

患者被随机选取用于训练、验证和测试,比例分别为70%、20%和10%。拆分在患者层面进行,无重叠,即某位患者的容积仅出现在三个集合中的一个。三组的人群参数(年龄、性别)和标注者经验遵循相同的统计分布(附加文件1:表S2)。

图1 数据选择流程图。HIS:健康信息系统 查看原图 ↗

预处理

CT扫描提供高分辨率图像。数据库中的容积为大小为(nslices;512;512)的3D数组,其中nslices在300至500之间。我们应用了以下预处理步骤。首先,预训练算法提取腹盆腔区域。其次,使用随机游走算法将腹盆腔区域分割为平均大小为300×400×300的容积,身体周围空洞最小。

该预处理方法为每个腹盆腔容积提供了解剖边界框。对于选定为参考的给定容积,我们使用仿射变换配准所有其他腹盆腔边界框容积。我们对每个框的贡献求和,生成与参考容积相关联的热图。该热图指示了TZ的空间分布。

为了定位每个TZ,我们使用基于图像块的方法训练二分类模型。我们进行了三项不同的实验,将腹盆腔区域分别分割为27(3×3×3)、64(4×4×4)或125(5×5×5)个图像块。每个图像块以二分类方式进行分类,即有或没有TZ,使用标注边界框的中心作为TZ位置的标准参考。为了训练深度学习分类模型,每个图像块被调整为64×64×64。

模型与训练参数

我们构建了一个卷积神经网络(CNN)模型,包含四个卷积块,后接两个全连接层(图2)。每个卷积块由两个3D卷积层(卷积核大小3)组成,后接整流线性单元(ReLU)激活和批归一化,然后接一个3D最大池化层(池化大小2)。每个全连接层后接ReLU激活,丢弃率为0.5以防止过拟合。

我们使用平衡交叉熵损失来增加正样本分类的权重,从而缓解数据库不平衡。我们还对正图像块进行了数据增强,在每个方向上随机平移0至3 cm,并随机缩放0.8至1.2倍。

图2 模型架构。该三维卷积神经网络包含四个卷积块,其后接两个全连接层。在最后一层之后,分类分数乘以该图像块包含移行区的空间概率,该概率在我们的训练集上计算得出。 查看原图 ↗

移行区(TZ)搜索空间的缩减

我们模型的输出是叠加在腹盆腔区域上的图。在该图上,最可能包含TZ的区域被高亮显示。我们使用两种方法生成该图。第一种方法在高亮图像块时,要求卷积神经网络(CNN)分类分数高于使约登指数(敏感度+特异度–1,在验证数据库上计算)最大化的阈值[13]。第二种方法在高亮图像块时,基于CNN分类分数乘以该图像块包含TZ的空间概率(在我们的训练集上计算)。

分类性能

为比较分类模型,我们计算了受试者工作特征曲线下面积(AUROC)和精确率。

搜索空间缩减与漏诊移行区(TZ)风险的比较

为评估我们方法的实际获益,我们比较了被高亮显示的腹盆腔体积比例(使用上述两种方法)与漏诊TZ的概率。后一概率在测试数据库上计算。

结果

移行区(TZ)位置

我们首先分析了包含562例标注CT扫描的数据集。如上所述,每个边界框被配准到选定的身体区域,并通过累加每个边界框的贡献构建热图(图3)。腹部分区分析显示,TZ主要位于下腹区(56.9%),超过85%的TZ位于三个区域(下腹区、右腰区和脐区)(表1)。

图3 粘连相关小肠梗阻移行区(TZ)定位热图。图像以灰度显示,最大值为56.9%并以白色表示,以显示任意给定参考体积中存在TZ的概率。 查看原图 ↗
表1 六个腹部分区中各自发现的移行区百分比 查看原表 ↗

分类性能

我们使用训练集训练CNN,使用验证集调优优化参数(学习率和训练阶段的停止标准),并使用测试集进行最终评估。我们在27(3×3×3分区)、64(4×4×4)和125(5×5×5)个图像块中评估了不同的腹部分区。我们分别获得0.95(CI:0.92–0.97)、0.95(CI:0.93,0.96)、0.93(CI:0.89–0.97)的AUROC(图4),以及0.43(CI:0.30–0.57)、0.31(CI:0.19–0.45)和0.13(CI:0.08–0.22)的平均精确率。这些结果的差异归因于数据集不平衡:由于每位患者所有图像块中TZ的患病率非常低,虽然获得了良好的敏感度和良好的特异度,但平均精确率非常低(附加文件1:表S3)。

此外,位于特定解剖区域的图像块的AUROC值差异很大(图5)。例如,右腰区的值非常高,但在脐区和下腹区仅为0.80。

图4 采用不同腹盆腔分区获得的AUROC曲线。分为3×3×3个图像块(3分区,左)、4×4×4个图像块(4分区,中)和5×5×5个图像块(5分区,右)。 查看原图 ↗
图5 三个特定腹部区域的AUROC曲线:下腹部(左)、右腰部(中)、脐部(右)。这些曲线通过将下腹部、腰部和脐部区域的图像块分类评分相加计算得出 查看原图 ↗

搜索空间缩减与遗漏过渡区(TZ)风险的比较

为整合这种空间异质性,每个图像块分类评分按其包含TZ的空间概率进行加权(表1)。

我们最佳加权图像块分类模型(125个图像块)的AUROC为0.93。虽然该值可被认为可接受,但不足以用于TZ定位。要定位TZ,需要125个预测,而一个可接受的图像块分类器应能找到单个阳性图像块。在我们的情况下,假阳性率(最大化约登指数)为0.14。

在单个图像块包含TZ的假设下,被错误分类的高亮图像块数量遵循参数为(124, 0.14)的二项分布。被错误分类的图像块平均数量为17/124。因此,我们选择将分类器用作高亮图,以识别最可能包含TZ的腹盆腔区域。

通过空间加权,高亮的腹盆腔体积比例降低,同时保持可接受的遗漏TZ概率(图6)。

图4和图6显示了这种空间调整对模型高亮腹盆腔体积百分比的影响。AUROC值仅提高0.01或0.02,取决于图像块划分方式(图5),假阴性率无变化,但搜索的腹盆腔体积减少了4%(图6)。

我们的最佳图谱(125个图像块,带空间耦合)以93%的概率高亮TZ,同时仅覆盖15%的腹盆腔体积。附加文件1:图S1展示了输出结果的示例。

图6 根据假阴性率显示的模型腹盆腔体积输出,含或不含空间调整 查看原图 ↗

讨论

我们开发了一个机器学习模型,用于在疑似小肠梗阻(SBO)患者的腹盆腔CT扫描中缩减TZ搜索空间。为此,我们构建了一个大型标注SBO数据库。

尽管机械性小肠梗阻在非创伤性外科急症中发生频率很高,但仅有两项早期研究评估了人工智能方法用于SBO诊断,其原因可能涉及多个因素[9, 10]。值得注意的是,这些研究聚焦于标准X线摄影,而该方法已不再推荐用于诊断SBO [4]。第一,开发用于TZ检测的人工智能模型需要由经验丰富的放射科医师建立大型数据库。第二,与其他医学体积(如颅内空间)相比,TZ可能所在的腹盆腔体积较大。第三,由于腹腔内脂肪量和肠道运动的个体差异,腹盆腔体积在个体间差异很大。最后,TZ检测得益于三维评估[12],这需要比X线摄影中所使用的模型更为复杂的模型。

为了精确地定位过渡区,需要高分辨率成像。以如此高的分辨率使用整个CT体积来训练模型需要高性能GPU。这些GPU由于计算成本而无法与常规临床使用兼容。为了能够以高分辨率进行训练,我们在性能目标和技术限制之间选择了平衡,并在分类之前进行了图像块提取,正如其他检测网络所做的那样[14]。

定位TZ不仅具有诊断价值,还可能有助于规划手术操作,例如腹腔镜的套管针放置。在最近的一项荟萃分析中,CT检测TZ的敏感性为92%,特异性为87%[15]。然而,这种良好性能是以耗费放射科医生大量时间为代价的。TZ定位是确定SBO病因和评估缺血风险的第一步。不幸的是,放射科医生检测闭袢机制的精确度较差。在一项对88例因SBO接受手术的患者(包括24例存在闭袢机制)的研究中,放射科医生判读CT检测该机制的敏感性仅为53%(95%置信区间,44%–63%),特异性为83%(79%–87%)[7]。此外,闭袢检测的观察者间一致性为差至中等(k = 0.39–0.63)。

为促进CT上的TZ检测,我们构建了一个模型,旨在减少腹盆腔区域的搜索体积、加速急诊CT工作流程[16, 17],并提高治疗决策的适当性。我们预期TZ主要位于右髂区,因为粘连相关SBO的主要原因之一是既往腹部手术,而阑尾切除术是一种常见手术[18]。出乎意料的是,TZ显著主要位于下腹区。我们仅知晓一项关于TZ位置的研究,该研究仅在矢状面上进行了确定[19]。结果显示,当存在一个以上TZ且TZ位于后方、距脊柱前缘前方7 cm以内时,闭袢机制最为常见。TZ主要位于下腹区可能与妇科手术操作的高频率有关。此外,阑尾有时位于骨盆内。

在我们的研究中,将深度学习分类模型与先验空间知识相结合提高了模型性能。尽管这在医学中是一个简单的逻辑概念,但应用于医学领域的深度学习模型很少利用它。仅在自然图像领域,最近才有少数模型开始使用空间概率估计[20]。

我们研究的一个局限性涉及外部有效性,因为数据来自单一中心,且所使用的CT机器型号均来自同一制造商。这一局限性主要适用于我们的测试集。由于识别包含单个TZ的图块的准确性有限,我们的模型并非临床实践使用的最佳选择。要构建接近腹部影像放射科医生性能的机器学习模型,仍有大量工作要做。我们仅研究了粘连相关性SBO,因为它们占SBO病因的60%以上[21]。进一步的研究应包括所有病因。数据金标准可能受到质疑:我们依赖于专家在CT扫描上所做的标注,而非其他领域(如肿瘤学)中通常可获得的生物学参考标准。尽管该参数的异质性显著,放射科医生在TZ定位方面已表现出良好的敏感性和特异性[15]。CT定位TZ的最佳参考标准仍不明确。特别是我们可以假设,手术参考可能是最优的。然而,相当比例的粘连相关性SBO采用非手术治疗,为获得具有代表性的肠梗阻人群,我们不能将纳入范围限制于手术治疗的SBO。此外,术中在空间上精确定位移行区的可能性尚存争议。

最后,要构建粘连相关性SBO管理预测模型,第一步是定位TZ。该信息有助于确定机制是开环还是闭锁环,后者是肠缺血危险因素之一[19]。我们现在计划开发预测缺血的模型,并在CT扫描上标注肠壁强化减弱和弥漫性肠系膜模糊。

总之,我们的研究做出两项重要贡献。首先,结果表明下腹部区域是粘连相关性SBO患者中TZ最常见的位置。其次,我们将CNN与概率映射相结合的模型缩小了腹盆腔TZ搜索体积。这是朝着开发有效机器学习系统迈出的第一步,该系统将在执行复杂且往往紧急的TZ识别和定位时节省宝贵时间。

补充信息

附加文件1。表S1:所用CT机器的分布。表S2:患者人口统计学和标注者经验的分布。表S3:测试集上的AUROC和精确度结果。补充文本S1:附加技术信息。图S1:结果示例。

引用

  1. Vanderbecq Q, Ardon R, De Reviers A, et al. Adhesion-related small bowel obstruction: deep learning for automatic transition-zone detection by CT. Insights Imaging. 2022. PMID: 35072813. doi:10.1186/s13244-021-01150-y
  2. 全文:PMC8787000(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8787000/

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。