文献速递骨肌技术与安全CT

基于深度学习的CT鉴别成骨性骨转移瘤与骨岛:多中心诊断研究

Deep learning-based diagnosis of osteoblastic bone metastases and bone islands in computed tomograph images: a multicenter diagnostic study.
PubMed 文献 · Eur Radiol · 2023-04-15

该多中心回顾性研究开发并验证了基于CT的2D和2.5D深度学习模型,用于鉴别硬化性骨病变中的骨岛与成骨性骨转移瘤。2.5D模型(三层CT输入)在内部验证集AUC为0.996,两个外部验证集AUC分别为0.958和0.952,准确率分别为0.950、0.902和0.863,优于2D模型。研究表明2.5D深度学习模型可高精度鉴别骨岛与成骨性骨转移瘤,有助于临床决策。

要点

  • 2.5D深度学习模型仅需手动勾画病变区域,无需精确分割边界,便于推广。
  • 病变邻近骨皮质时模型易出现假阴性,阅片时应警惕。
  • 模型在外部验证集仍保持高AUC(0.958、0.952),泛化性较好。

核心结论

  • 基于三层CT图像的2.5D深度学习模型能提高成骨性骨转移瘤的预测能力,有助于临床决策。

研究设计与样本

  • 多中心回顾性研究,纳入三家医院(site 1、site 2、site 3)的硬化性骨病变患者,site 1共728例患者1918个病变,site 2共71例患者122个病变,site 3共47例患者71个病变。
  • 使用ResNet-18架构和迁移学习,构建2D(单层输入)和2.5D(三层输入)深度学习模型,site 1数据按70%训练、10%内部验证、20%内部测试划分,site 2和site 3作为外部验证集。
  • 参考标准基于临床和影像诊断标准:骨岛需无恶性肿瘤病史、病变密度高于骨小梁、随访至少6个月大小形状密度不变、至少连续3层CT显示;成骨性骨转移需有恶性肿瘤病史、既往影像无骨转移、最近CT显示椎体或骨盆最高密度病变最大径<2 cm、至少连续3层显示、发现高密度病变前无化疗/抗雄激素/双膦酸盐治疗史、无病理性骨折。

关键影像表现/征象

  • 2.5D模型假阴性检测中,36个病变有62个三层数据被误判,其中26个病变(41个三层数据)邻近骨皮质。
  • 2.5D模型假阳性检测中,18个病变有27个三层数据被误判,其中7个病变邻近骨皮质。
  • 2D和2.5D模型在三个验证集中均能准确区分硬化性骨病变,2.5D模型AUC高于2D模型。

诊断标准与关键数值

  • 2.5D模型内部验证集AUC为0.996(95%CI 0.995-0.996),准确率0.950,阳性预测值0.983,假阴性比例0.83%。
  • 2.5D模型外部验证集site 2(WHTH)AUC为0.958(95%CI 0.958-0.960),准确率0.902,阳性预测值0.960,假阴性比例8.12%。
  • 2.5D模型外部验证集site 3(GZCH)AUC为0.952(95%CI 0.951-0.953),准确率0.863,阳性预测值0.843,假阴性比例4.57%。
  • 2D模型内部验证集AUC为0.981(95%CI 0.980-0.981),外部验证集site 2 AUC为0.940(95%CI 0.940-0.941),site 3 AUC为0.890(95%CI 0.890-0.892)。
  • 2D模型准确率:内部验证集0.854,外部验证集site 2 0.871,site 3 0.806。

临床应用与阅片要点

  • 使用2.5D模型辅助鉴别骨岛与成骨性骨转移时,仅需手动勾画包含完整病变区域的边界框,无需精确分割。
  • 当病变邻近骨皮质时,模型假阴性风险增加,应结合临床病史和其他影像特征谨慎判断。
  • 对于无肿瘤病史患者,模型预测为骨岛可减少不必要的活检和进一步影像检查;对于肿瘤患者,预测为成骨性骨转移可提示早期治疗。

局限性

  • 深度学习模型分类所依据的特征难以解释,当医生判断与模型不一致时无法通过讨论解决。
  • 研究为回顾性设计,可能存在选择偏差,骨岛可能被低估报告。
  • 仅纳入连续三层CT图像显示的病变。
  • 研究忽略了椎体和骨盆以外的骨转移病变,为未来研究方向。
全文中译11 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:Eur Radiol. 2023 Apr 15;33(9):6359–68. doi: 10.1007/s00330-023-09573-5

引言

计算机断层扫描(CT)广泛用于恶性肿瘤的检测、评估和分期,硬化性骨病变在CT图像上经常被检出[1, 2]。区分硬化性骨病变与成骨性骨转移或骨岛对于确定下一步诊断步骤和制定治疗策略至关重要。对于无肿瘤病史的患者,诊断为骨岛无需治疗,而诊断为成骨性骨转移则需要找到原发病灶以确定治疗方案。对于肿瘤患者,区分骨岛与成骨性骨转移可改变肿瘤分期并改变治疗选择。

为了区分骨岛与成骨性骨转移,许多方法改进了硬化性骨病变的诊断,如正电子发射断层扫描(PET)/CT [3]、双能CT [4]、磁共振(MR)图像中椒盐噪声征的识别[5]、CT衰减值测量[6]以及影像组学[7]。然而,PET/CT、双能CT和MR检查在许多偏远地区无法进行,即使能够进行,也会增加患者的经济负担。此外,影像组学方法和CT衰减值测量依赖于感兴趣区(ROI)的精确勾画,这在很大程度上受人为因素影响。

相比之下,先进的深度学习(DL)模型通过强大的特征学习能力克服了这些问题[8, 9],并已显示出在各个医学领域辅助人类的潜力[10–12]。此外,与影像组学方法不同,基于DL的分类模型不需要精确勾画肿瘤边界,可以自动学习对图像数据中的特征进行分类并据此诊断病情。而且,外部验证不需要准确勾画病变,增加了该模型在各种医疗机构中使用的可能性。

在本研究中,我们构建了一个DL模型来区分骨岛与成骨性骨转移。我们的方法采用端到端流程,仅需在CT图像中手动选取病变区域,不需要精确的病变边界分割或人工定义的特征。所提出的模型仅需简单的病变勾画即可诊断硬化性骨病变。为了评估DL模型的性能,我们从两家独立医院收集了两个数据集并独立验证了结果。

材料与方法

数据集

这项多中心回顾性研究在中国三家医院进行。主要研究者所在医院的机构审查委员会批准了该研究,并豁免了书面知情同意的要求。

对于开发数据集,我们评估了2013年1月1日至2022年3月31日在中国广州广州市红十字会医院采集的胸部和腹部CT图像,这些图像报告包含骨岛或成骨性骨转移,以及有恶性肿瘤病史且伴高密度骨病变的患者。最初招募了1376例患者。符合以下标准者诊断为骨岛:(1)无恶性肿瘤病史;(2)病变密度高于骨小梁,呈圆形或椭圆形,或边缘有毛刺[6, 13, 14];(3)至少6个月后随访CT扫描显示大小、形状和密度无变化[7];(4)病变至少连续出现在三个CT层面上。符合以下标准者诊断为成骨性骨转移:(1)有恶性肿瘤病史;(2)既往影像学检查未发现骨转移,且最近一次CT图像中发现椎体或骨盆骨内最大径< 2 cm的局部高密度病变;(3)病变至少连续出现在三个CT层面上;(4)发现高密度病变前无化疗、抗雄激素治疗或双膦酸盐治疗史[6];(5)无病理性骨折。应用上述诊断标准,两名经验丰富的放射科医师(L.Z.P.和X.F.,分别具有21年和9年肌骨放射学经验)排除了648例患者,剩余728例(498例骨岛和230例成骨性骨转移)纳入本研究(图1)。

为验证深度学习(DL)模型在临床实践中的实用性,还从中国广州广州市肿瘤医院(GZCH)和中国武汉武汉市第三医院(WHTH)获取了两个外部验证数据集,包含2019年1月1日至2021年12月31日期间采集的骨岛和成骨性骨转移CT图像。

图1 用于鉴别骨岛与成骨性骨转移的2D DL模型和2.5D DL模型的开发与评估流程图 查看原图 ↗

图像阅读与标注

根据诊断,图像被标记为骨岛或成骨性骨转移。所有CT图像均在骨窗(窗位400 HU;窗宽2000 HU)上预处理。由两名经验丰富的放射科医师(L.Z.P.和X.F.)使用LabelImg软件(https://pypi.org/project/labelImg/)在来自三家医院的CT图像上以边界框逐层手动指定病变感兴趣区(ROI)并标注。为应用DL模型,根据以下规则手动选择包含病变的ROI:(1)每层ROI应包括完整病变区域及病变边缘;(2)选择用于勾画病变的层数应为三的倍数(图2a)。该规则在实践中易于实施,因为它允许舍弃病变的部分层面,且病变无需恰好位于ROI中心。

图2 基于CT图像构建深度学习模型的流程图。a CT图像采集与分割。b 残差网络及基于CT的模型构建 查看原图 ↗

DL模型的开发

所有分析均使用基于Python的程序进行。迁移学习应用ResNet-18深度学习(DL)模型作为卷积神经网络(CNN)的基础架构。来自广州市红十字医院的图像被随机分配至训练集(70%)和内部验证集(10%)用于开发DL模型,并分配至内部测试集(20%)用于评估DL模型的性能。输入网络的数据(补充图S1)分为单层输入(224 × 224 × 1体素)和三层输入(224 × 224 × 3体素),分别用于构建二维(2D)和“2.5维”(2.5D)DL模型(图2b)。数据预处理和模型开发的详细内容见补充材料。用于训练的代码存储在GitHub(https://github.com/Xiongyuchao/OBMORBINet)。

DL模型的验证

将训练好的2D和2.5D DL模型应用于内部和外部测试集。2D和2.5D DL模型开发的整体工作流程见图1。

统计分析

我们使用受试者工作特征(ROC)曲线来展示DL算法对硬化性骨病变的分类能力。ROC曲线通过改变预测概率阈值,绘制真阳性(TP)病例比例(敏感度)与假阳性(FP)病例比例(1-特异度)的关系而生成。ROC曲线下面积(AUC)越大,表明诊断性能越好。用于数据分析的代码存储在GitHub(https://github.com/XiongyuchaoOBMORBINet)。

结果

临床特征

开发集和外部测试集的临床特征总结于表1。开发集包括498例骨岛患者和230例成骨性骨转移患者的1918个硬化性骨病变的9066幅图像。WHTH外部测试集包括56例骨岛患者和15例成骨性骨转移患者的122个硬化性骨病变的1071幅图像。GZCH外部测试集包括38例骨岛患者和9例成骨性骨转移患者的71个硬化性骨病变的525幅图像。详细的患者和病变信息见补充材料。

表1 基线特征 查看原表 ↗

DL模型的建立

经过19个epoch后,训练过程结束,2D和2.5D DL模型在训练集和验证集上的准确率和交叉熵损失均无进一步改善。使用2D DL模型,训练集的准确率高达98.3%,内部验证集为96.1%。使用2.5D DL模型,训练集的准确率高达99.7%,内部验证集为98.7%。

2D和2.5D DL模型的性能

2D和2.5D深度学习(DL)模型在所有三个验证数据集中均能准确区分硬化性骨病变。对于2D DL模型,内部验证数据集、来自WHTH的外部验证数据集和来自GZCH的外部验证数据集的准确率分别为0.854、0.871和0.806;对于2.5D DL模型,准确率分别为0.950、0.902和0.863(表2)。同样,所有三个验证数据集均观察到较高的AUC值,且2.5D DL模型的AUC高于2D DL模型(图3)。对于2D DL模型,内部验证数据集、来自WHTH的外部验证数据集和来自GZCH的外部验证数据集的AUC值分别为0.981(95% CI,0.980–0.981)、0.940(95% CI,0.940–0.941)和0.890(95% CI,0.890–0.892);对于2.5D DL模型,AUC值分别为0.996(95% CI,0.995–0.996)、0.958(95% CI,0.958–0.960)和0.952(95% CI,0.951–0.953)。图4显示了内部验证数据集、来自WHTH的外部验证数据集和来自GZCH的外部验证数据集的混淆矩阵。

使用2.5D DL模型,内部验证数据集、来自WHTH的外部验证数据集和来自GZCH的外部验证数据集的阳性预测值(PPV)分别为0.983、0.960和0.843。所有验证数据集的假阴性(FN)检出比例均低于4.13%,内部验证数据集为0.83%,来自WHTH的外部验证数据集为8.12%,来自GZCH的外部验证数据集为4.57%(表2)。

使用2.5D DL模型(图5),共获得来自36个病灶的62个三层面数据的FN检出,包括内部验证数据集中来自14个病灶的25个三层面数据、来自WHTH的外部验证数据集中来自16个病灶的29个三层面数据,以及来自GZCH的外部验证数据集中来自6个病灶的8个三层面数据。在36个存在FN检出的病灶中,25个病灶在所有三层面数据中均存在错误,11个病灶在部分三层面数据中存在错误,其中26个病灶(41个三层面数据)邻近皮质骨(补充表S1)。

使用2.5D DL模型,共获得来自18个病灶的27个三层面数据的假阳性(FP)检出,包括内部验证数据集中来自3个病灶的5个三层面数据、来自WHTH的外部验证数据集中来自3个病灶的6个三层面数据,以及来自GZCH的外部验证数据集中来自12个病灶的16个三层面数据。在18个存在FP检出的病灶中,8个病灶在所有三层面数据中均存在错误,10个病灶在部分三层面数据中存在错误,7个病灶邻近皮质骨(补充表S2)。

表2 2D DL模型和2.5D DL模型在不同验证集中的性能 查看原表 ↗
图3 2D DL模型和2.5D DL模型在内部验证集、来自站点2的外部验证集和来自站点3的外部验证集中鉴别骨岛与成骨性骨转移的受试者工作特征曲线 查看原图 ↗
图4 2D DL模型和2.5D DL模型在内部验证集、来自站点2的外部验证集和来自站点3的外部验证集中的混淆矩阵 查看原图 ↗
图5 2.5D DL模型在内部验证集、来自站点2的外部验证集和来自站点3的外部验证集中评估正确和错误CT图像的示例 查看原图 ↗

讨论

在本研究中,我们分别开发了采用单层图像输入的深度学习(DL)模型(2D DL模型)和采用连续三层图像输入的深度学习模型(2.5D DL模型),用于表征放射科医师通过CT检出的硬化性骨病变。2.5D DL模型能更好地区分骨岛与成骨性骨转移,内部验证数据集、来自WHTH的外部验证数据集和来自GZCH的外部验证数据集的AUC值分别为0.996、0.958和0.952;2D DL模型的相应值分别为0.981、0.940和0.890。2.5D DL模型在内部和外部验证数据集中区分骨岛与成骨性骨转移具有高准确度、灵敏度和特异度。据我们所知,这是首个利用DL区分硬化性骨病变的多中心研究。

尽管CT通过棘状放射[15]、骨膜反应、软组织受累和骨破坏[16]等特征极大地帮助了直接区分骨岛与成骨性骨转移,但只能分析较大的硬化性骨病变,而且硬化性骨病变往往不伴随这些可识别的影像学特征。CT衰减测量[6, 13, 17]已显示出区分骨岛与成骨性骨转移的良好潜力,但其临床适用性受到损害,因为CT值受测量所选区域、患者体型[18]、CT采集参数和图像重建算法参数[19, 20]等因素影响。CT时间减影能够区分成骨性骨转移与骨岛,但对于有骨岛的患者以及有成骨性骨转移但未接受随访CT扫描以尽量减少辐射暴露和/或费用的患者,其效用受到显著限制[21, 22]。几项研究[3–5]探索了进一步成像在诊断骨岛和成骨性骨转移中的潜在价值。能谱CT有助于区分成骨性骨转移与骨岛,特别是在使用高能虚拟单色光谱图像上CT值的标准差时[4]。化学位移编码MR图像上骨岛中的椒盐噪声征有助于区分骨岛与成骨性骨转移[5]。PET/CT通过评估示踪剂摄取有助于区分硬化性骨病变[3]。尽管上述研究提供了许多区分骨岛与成骨性骨转移的手段,但它们需要基于专业知识和经验的人工视觉评估,这依赖于操作者,并对成像设备提出了许多在偏远地区无法满足的要求。

基于上述情况,目前尚无客观、简便且低成本的方法来区分成骨性骨转移瘤与骨岛。在当前的临床实践中,对于无肿瘤病史且存在硬化性骨病变的患者,影像显示典型骨岛时通常优先诊断为骨岛,但骨岛的不典型表现可能引起对骨转移瘤的担忧。有肿瘤病史的患者,尤其是与前列腺癌和乳腺癌相关的患者,即使骨岛表现正常,也可能担心成骨性骨转移瘤的可能性。成骨性骨转移瘤可能呈现类似骨岛的外观,从而最初被误诊,这可能延误肿瘤患者成骨性骨转移瘤的治疗。迫切需要客观、简便且低成本的方法来区分成骨性骨转移瘤与骨岛,以避免对骨岛患者进行过度医学检查以及延误成骨性骨转移瘤患者的治疗。

深度学习(DL)通过直接学习原始输入数据中复杂结构与目标输出之间的相关性来利用大型数据集[23]。大量研究已报道DL在放射学肿瘤诊断中的适用性[24]。然而,许多评估性能良好的DL模型的研究存在较大的偏倚风险[25]。使用外部队列是检验DL系统偏倚的重要验证步骤[26]。在本研究中,2.5D DL模型在内部和外部测试数据集上均取得了良好的AUC、灵敏度和特异度,这表明该模型能够正确区分骨岛与成骨性骨转移瘤,并显示出非常好的泛化能力。Hong等[7]发现基于CT的影像组学有助于区分骨岛与成骨性骨转移瘤,且与经验不足的放射科医师相比取得了更好的诊断性能。影像组学是一种传统的机器学习方法,使用精心选择的输入数据表征来预测目标输出。现代DL技术基于卷积神经网络(CNN),其使用高度灵活的人工神经网络将输入数据直接与目标输出相关联,而通过这种相关性学习到的关系通常是真实的[23, 26, 27]。在我们的研究中,与影像组学相比,2.5D DL模型在区分骨岛与成骨性骨转移瘤方面可突出以下几个优势。第一,基于CNN的DL的感兴趣区(ROI)选择只需包括完整病灶,而无需像影像组学那样逐层精确勾画病灶边缘。这一优势也使该模型更有可能在各级其他医院广泛使用。第二,我们的研究招募了更多患者,更大的样本量显然可以确保分类模型具有更好的可靠性,这一点已通过使用内部和外部测试数据集的2.5D DL模型的性能得到证实。第三,基于CNN的DL使用直接的端到端问题解决方式,消除了手工制作影像组学特征的限制。

准确区分骨岛与成骨性骨转移对人口基数大、医疗资源水平差异巨大且医保资金极为有限的中国具有重要意义。将硬化性骨病变准确诊断为骨岛,可通过避免对良性病变进行活检和不必要的进一步影像学检查,减轻患者焦虑和医疗系统负担。将硬化性骨病变诊断为成骨性骨转移,可使患者更早接受适当治疗。然而,在当前临床实践中,不同亚专业的放射科医师对硬化性骨病变有不同的主观判读。我们的2.5D深度学习(DL)模型仅通过勾画病变即可准确分类骨岛和成骨性骨转移,这进一步凸显了其巨大的临床价值和社会效益。Noguchi等开发了一种深度学习模型用于在CT图像上识别骨转移,该模型取得了优异的性能[28]。然而,其对成骨性骨转移的敏感度和阳性预测值(PPV)显著低于使用我们的2.5D深度学习模型所达到的水平。尽管如此,我们的模型可以与Noguchi等的模型良好结合,以提高成骨性骨转移的准确性,这进一步突出了本研究的临床价值。

在临床实践中,我们更关注2.5D深度学习模型产生的假阴性(FN)检测结果。这些结果可能源于感兴趣区(ROI)包含了邻近的皮质骨。因此,我们建议放射科医师在使用2.5D深度学习模型识别成骨性骨病变时,当病变邻近皮质骨时应保持谨慎。鉴于治疗成骨性骨转移的紧迫性,可以考虑必要的随访具有成本效益。

尽管结果显著,我们的研究也存在一些潜在局限性。第一,深度学习模型用于分类的特征难以解释。因此,当医师的判断与训练模型的判断不一致时,无法通过讨论解决分歧。第二,本研究为回顾性研究,可能存在选择偏倚。骨岛可能被低报,许多放射科医师可能不会在其报告中对此类病变进行描述。第三,本研究仅纳入在三层CT图像的连续层面中显示的病变。第四,本研究忽略了椎体或骨盆骨以外若干部位的骨转移,将其纳入是我们未来研究的目标。

总之,我们开发了一种骨岛与成骨性骨转移的分类模型,在不同医院均达到了较高的诊断准确性。2.5D深度学习模型在内部和外部验证数据集中区分骨岛与成骨性骨转移方面表现出较高的准确度、敏感度和特异度。我们提出的深度学习模型比其他放射组学模型更简单、更准确,且具有泛化能力。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 482 KB)

引用

  1. Xiong, Guo, Liang, et al. Deep learning-based diagnosis of osteoblastic bone metastases and bone islands in computed tomograph images: a multicenter diagnostic study. Eur Radiol. 2023. PMID: 37060446. doi:10.1007/s00330-023-09573-5
  2. 全文:PMC10415522(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10415522/

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。