文献速递心血管MR

基于多通道深度学习模型的心脏 cine MRI 心肌时空形态特征诊断左心室肥厚病因

Multi-channel deep learning model-based myocardial spatial-temporal morphology feature on cardiac MRI cine images diagnoses the cause of LVH.
PubMed 文献 · Insights Imaging · 2023-04-24

本研究开发了一个全自动深度学习框架,基于心脏 cine MRI 图像分割左心室心肌并诊断左心室肥厚(LVH)的病因(心脏淀粉样变、肥厚型心肌病或高血压性心脏病)。在 302 例主要队列和 53 例外部测试集中,基于分割心肌掩膜的 Model 3 在三分类任务中总体准确率达 77.4%,二分类 AUC 为 0.848–0.984,诊断能力不劣于心血管影像专家,并优于其他放射科/心脏科医生。

要点

  • 基于 cine MRI 心肌掩膜的深度学习模型可自动鉴别 LVH 病因,外部测试集三分类准确率 77.4%。
  • 该模型对 CA、HCM、HHD 的二分类 AUC 为 0.848–0.984,诊断能力不劣于心血管影像专家。
  • 模型分析速度约 1 秒/例,有望作为 LVH 病因的无创快速分诊工具。

核心结论

  • 基于多序列 cine MR 图像分割左心室心肌掩膜建立的组合模型在诊断 LVH 病因方面表现出良好且稳健的性能,可作为无创工具辅助临床决策。

研究设计与样本

  • 回顾性收集 2014 年 1 月至 2021 年 1 月单中心 302 例 LVH 患者作为主要队列,随机分为训练集(n=191)、验证集(n=48)和内部测试集(n=63)。
  • 外部测试集为前瞻性收集的同一中心 22 例及另外三家三级医院 31 例 LVH 患者,共 53 例(CA 16 例、HCM 20 例、HHD 17 例)。
  • 使用 ITK-SNAP 手动分割 2CH、4CH 及中间层面 SAX cine 图像中的左心室心肌 ROI,由一名 5 年以上经验放射科医生标注、一名 10 年以上经验高级放射科医生确认。
  • 构建改进的 2D Res-Unet 模型自动分割心肌,并基于分割结果建立三种分类模型:Model 1(包含心肌区域的 2D patch)、Model 2(ROI)、Model 3(分割掩膜)。
  • 采用多通道 RNN 模型(ConvLSTM 单元)处理时间依赖切片的时空特征,最终用支持向量机整合多序列 cine MR 的预测结果。

关键影像表现/征象

  • 原文未报告具体影像征象描述,仅提及舒张功能减低、整体应变及晚期钆增强(LGE)在三种疾病中均可出现,存在显著重叠。

诊断标准与关键数值

  • LVH 定义为至少一个节段舒张期室壁厚度≥13 mm。
  • Model 3 在外部测试集三分类总体准确率最高达 77.4%。
  • Model 3 在验证集、内部测试集和外部测试集中识别 CA 的 AUC 分别为 0.895–0.980、0.879–0.984 和 0.848–0.983。
  • Model 3 三分类 Cohen’s kappa 在内部测试集和外部测试集分别为 0.711 和 0.693。
  • Model 3 与心血管影像专家总体分类准确率相当(p=0.814),优于其他医生(除 senior radiologist 1,p=0.276)。

临床应用与阅片要点

  • 该模型可基于 cine MRI 自动分割心肌并快速(约 1 秒/例)鉴别 CA、HCM 和 HHD,适合作为 LVH 病因的初步分诊工具。
  • Model 3 使用二值化心肌掩膜,减少扫描仪、协议等变异影响,外部测试集稳健性优于 Model 1 和 Model 2。
  • 模型在外部测试集中对 HCM 与 HHD 存在明显混淆,阅片时需结合临床和其他序列(如 LGE、T1 mapping)综合判断。
  • 模型诊断能力与心血管影像专家相当,但弱于或相当于资深放射科医生,不能完全替代专家读片。

局限性

  • 样本量有限。
  • 仅纳入 CA、HCM 和 HHD 三种最常见病因,未涵盖铁沉积、Anderson-Fabry 病、嗜酸性心肌病等其他可导致 LVH 的疾病,直接临床应用受限。
  • 模型未纳入临床变量或其他 MRI 序列,可能影响诊断性能。
  • 模型性能是否超越 T1 mapping 的诊断能力需进一步验证。
全文中译15 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 Apr 24;14:70. doi: 10.1186/s13244-023-01401-0

引言

早期准确识别左心室肥厚(LVH)的病因是后续临床管理和预后预测的关键[1, 2]。肥厚型心肌病(HCM)、心脏淀粉样变性(CA)和高血压性心脏病(HHD)是LVH的常见病因,而三者之间的鉴别诊断可能较为困难[3]。目前,心脏磁共振成像(MRI)是LVH病因分类评估中的重要影像学方法之一[4, 5]。一次成功、全面且多序列增强的MRI检查有助于鉴别HCM或CA,但需要心血管影像专家和经验[6]。此外,舒张功能减低、整体应变以及晚期钆增强(LGE)的存在等特征在三种疾病中均可出现。这些显著的重叠线索和明确标准的缺乏使病因诊断更加困难。此外,映射序列通常需要使用商业软件或由有经验的心血管影像医生进行额外的后处理分析才能获得正确解读[7]。因此,一种快速、简便且无创的工具无疑是迫切需要的。

近年来,人工智能(AI)为医学注入了新的活力[8, 9]。极其复杂的心脏结构催生了该领域人工智能的大量创新[10, 11]。基于深度学习(DL)的疾病诊断算法已在心律失常诊断、心肌梗死病灶识别和冠状动脉疾病预测方面展现出卓越能力[12–14]。电影图像在心脏病诊断中发挥着基础和关键的作用,因为它既提供形态和功能特征的直接观察,又提供准确定量[15]。因此,基于电影图像的AI模型有潜力作为一种早期、快速的筛查工具,用于对高度怀疑HCM或CA的患者进行分诊。然而,过去的心脏AI模型很少基于电影图像。可能的原因是在电影图像上勾画感兴趣区(ROI)需要大量人力,因为分割是第一步且往往是最耗费人力的步骤[16]。此外,如何通过从电影图像中提取基于三维的空间信息和心脏运动信息来借鉴医生的诊断逻辑仍然是一个挑战。

因此,我们试图通过回顾性收集的数据,开发一个基于DL的全自动框架,用于对多视角电影MRI图像上诊断为LVH的患者进行心肌分割和病因诊断。最终模型在诊断效率方面的性能将通过另一个前瞻性收集的独立测试队列进行验证,并与人类放射科医生和心脏病科医生进行比较。

材料与方法

本研究经本中心生物医学研究伦理委员会批准。回顾性纳入数据的知情同意予以豁免,前瞻性收集数据的知情同意在相应医院获取。

患者入组

本研究用作主要队列的患者为2014年1月至2021年1月期间回顾性收集。另一个用于外部测试的数据集为前瞻性收集自同一中心及另外三家三级医院。所有电影图像均作为转诊接受该检查患者常规心脏MRI的一部分进行(详见附加文件1:补充方法)。

对于所有纳入病例,纳入标准为(1)成年患者(年龄≥18岁),(2)诊断为左心室肥厚(LVH)的患者(定义为至少一个节段舒张期壁厚度≥13 mm),(3)具有基于既定诊断标准的明确临床诊断,并纳入肥厚型心肌病(HCM)、心脏淀粉样变性(CA)和高血压性心脏病(HHD)的MRI测量(详见附加文件1:补充方法)[4, 17–19]。排除标准为(1)诊断无法确认或不属于上述三类者,(2)图像数据不可用于分析或电影图像质量差者,(3)重复或随访检查者(即,一名患者在本研究中仅有一次检查)。

最终,来自本中心的总共302例LVH患者作为主要队列,并被随机分为训练集(53例CA、82例HCM和56例HHD,n = 191)、验证集(13例CA、24例HCM和11例HHD,n = 48)和内部测试集(18例CA、27例HCM和18例HHD,n = 63)。此外,来自同一中心前瞻性收集的22例LVH患者和来自另外三家医院的31例LVH患者作为外部测试集(16例CA、20例HCM和17例HHD,n = 53)(图1)。

图1 患者入组和研究设计。HCM——肥厚型心肌病,CA——心脏淀粉样变性,HHD——高血压性心脏病,DL——深度学习 查看原图 ↗

左心室心肌分割

使用开源软件ITK-SNAP(3.8.0,www.itksnap.org)进行心肌分割。由一名具有五年以上经验的放射科医师手动标注两腔心(2CH)、四腔心(4CH)和左心室中部水平一个短轴(SAX)电影图像中包含左心室(LV)心肌的感兴趣区(ROI)。分割的ROI由另一名具有十年以上经验的资深放射科医师确认和修改。两名放射科医师均对临床信息和影像诊断报告不知情。

深度学习模型的开发

在模型开发前进行重建,所有电影磁共振(cineMR)图像均重建至1 mm × 1 mm × 1 mm的分辨率。我们首先开发了一个改进的2D Res-Unet模型,用于从cineMR图像中自动分割心肌区域(附加文件1)。由于cineMR图像中心脏区域以外几乎没有图像变化,本研究仅聚焦于研究心肌区域。基于Res-Unet模型分割的心肌,提出了三种分类模型:基于自动生成的包含心肌区域的2D patch的模型(模型1)、基于ROI的模型(模型2)和基于分割掩膜的模型(模型3)。所有模型的输入图像大小均为96 × 96像素,这是基于最大ROI的大小确定的。模型1、模型2和模型3的自动生成输入图像示例见图2。

为了整合来自电影磁共振图像2CH、4CH和SAX序列的一系列时间依赖性切片,提出了一种多通道RNN模型来预测LVH的病因。卷积长短期记忆(ConvLSTM)单元用于处理从时间依赖性切片图像中提取的时空特征(附加文件1)。最后,使用支持向量机分类器整合来自多序列电影磁共振图像的预测结果。全自动分类框架的工作流程见图3。

模型性能评估的详细信息见附加文件1。

图2 模型1、模型2和模型3开发的数据预处理示意图。ROI——感兴趣区 查看原图 ↗
图3 通过电影磁共振图像预测左心室肥厚病因的全自动框架示意图。2CH——两腔心,4CH——四腔心,SAX——短轴 查看原图 ↗

人工智能与放射科医师/心内科医师之间的性能比较

随后使用外部测试数据集比较最佳AI模型与放射科医师/心内科医师之间的诊断性能。招募了三名放射科医师(1名具有10年以上经验的高级医师,2名具有3年经验的初级医师)、三名心内科医师(1名具有10年以上经验的高级医师,2名具有3年经验的初级医师)以及一名具有10年以上经验的心血管影像专家。所有放射科医师/心内科医师均知晓患者患有LVH,但对诊断报告设盲。

统计分析

连续变量的差异酌情采用Student t检验或Mann–Whitney U检验进行评估。分类变量和准确性的比较采用卡方检验进行评估。三类诊断性能采用Cohen kappa进行评估。记录DL模型诊断LVH病因的速度,并报告为每个病例的平均持续时间及标准差。

不同模型两个AUC之间的差异采用Delong检验进行评估[20]。P值小于0.05被认为具有统计学意义。统计分析使用R项目(v. 3.3.1)、SPSS软件(版本23.0)和MedCalc软件(版本20.0)进行。

结果

患者特征

用于训练、验证和内部测试的病例平均年龄为53.3 ± 14.0岁,包括181名男性和121名女性。外部测试组纳入患者的平均年龄为54.6 ± 13.5岁,包括31名男性和22名女性。内部与外部患者在年龄(p = 0.52)或性别(p = 0.84)方面无显著差异。HCM队列包括63/133(47.4%)例肥厚型梗阻性心肌病、21/133(15.8%)例心尖肥厚型和49/133(36.8%)例其他类型。CA队列包括82/84(97.6%)例轻链型、1/84(1.2%)例血清淀粉样蛋白A型和1/84(1.2%)例转甲状腺素蛋白型。

自动心肌分割

如表1所示,Res-Unet模型在验证数据集中显示出良好的心肌分割性能。Res-Unet模型的稳健性在内部测试数据集中也得到了证实。DSC和HD的详细描述见附加文件1:补充结果。

相关系数和Bland–Altman分析显示,与人工表现相比,Res-Unet模型具有较高的准确性。(详情见附加文件1:补充结果及图S3、S4和S5)。

表1 Res-Unet模型在验证集和内部测试数据集中的详细性能 查看原表 ↗

左心室肥厚(LVH)病因预测的总体准确性

深度学习(DL)模型诊断LVH病因的速度非常快,平均分析时间约为1 s(在验证集、内部测试集和外部测试集中分别为0.91 ± 0.11、1.02 ± 0.09和0.98 ± 0.10 s)。

三个模型在验证数据集中均表现出良好的分类性能,模型1、模型2和模型3的Cohen's kappa分别达到0.840、0.814和0.814(图4 A-C)。模型1似乎存在过拟合,因为在内部测试集和外部测试集中kappa分别降至0.539和0.604。相比之下,模型2和模型3表现出更稳健的分类性能。模型2在内部和外部数据集中的kappa分别为0.653和0.626。模型3的性能进一步提高,在内部和外部测试数据集中kappa分别高达0.711和0.693。然而,模型3与其他两个模型相比,在三分类准确性上的差异无统计学意义(卡方检验,在内部测试数据集中与模型1比较p = 0.073,与模型2比较p = 0.526;在外部测试数据集中与模型1比较p = 0.378,与模型2比较p = 0.504)。

不同模型对CA、HCM或HHD二分类性能比较的详细结果见附加文件1:补充结果。

图4 模型1(A–C)、模型2(D–F)和模型3(G–I)分别在验证集、内部测试集和外部测试数据集中的混淆矩阵比较。请注意,所有模型在外部测试数据集中均明显混淆HCM和HHD。HCM,肥厚型心肌病;CA,心脏淀粉样变性;HHD,高血压性心脏病 查看原图 ↗

深度学习模型3与放射科医师/心内科医师在外部测试数据集中的比较

采用模型3的性能与放射科医师/心内科医师在外部测试数据集中的表现进行比较(表2)。卡方分析表明,模型3的总体分类准确性几乎等同于心血管专家放射科医师(p = 0.814),并且优于其他医生(均p < 0.05),但高级放射科医师1除外(p = 0.276)。个体观察者变异性分析表明,模型3与心血管专家放射科医师(kappa = 0.552)和高级放射科医师(kappa = 0.502)的一致性为中等,而模型3与其他放射科医师/心内科医师之间的一致性较差(均kappa < 0.2)。深度学习模型与放射科医师/心内科医师的混淆矩阵见图5。

关于二分类层面的比较(图6),在区分CA与非CA方面,模型3的AUC显著高于放射科医生和心内科医生(所有p < 0.05),但除外专家级心血管放射科医生(p = 0.190)。在区分HCM与非HCM方面,模型3表现出与专家级心血管放射科医生非劣效的性能(p = 0.328),并且AUC高于其他医生(与高级放射科医生相比p = 0.127,与其他医生相比所有p < 0.05)。该深度学习(DL)模型在区分HHD与非HHD方面也表现出良好性能,其AUC与专家级心血管放射科医生(p = 0.661)和高级心内科医生(p = 0.277)具有竞争力,且显著高于其他医生(所有p < 0.05)。详细的性能比较总结于附加文件1:表S1和表S2中。

表2 模型3与放射科医生/心内科医生在外部测试数据集中的三分类诊断性能 查看原表 ↗
图5 高级心血管影像心内科医生(A)、高级放射科医生(B)、初级放射科医生1(C)、初级放射科医生2(D)、高级普通心内科医生(E)、初级心内科医生1(F)、初级心内科医生2(G)与模型3(H)在外部测试数据集中混淆矩阵的比较 查看原图 ↗
图6 深度学习模型(模型3)与放射科医生/心内科医生在外部测试数据集中对CA(A)、HCM(B)或HHD(C)二分类的比较。HCM,肥厚型心肌病;CA,心脏淀粉样变性;HHD,高血压性心脏病;DL,深度学习 查看原图 ↗

讨论

在本文中,我们介绍了一种基于深度学习(DL)的全自动心肌分割和左心室肥厚(LVH)病因分类人工智能模型,该模型基于电影磁共振成像(MRI)图像工作。分割模型在内部和外部验证测试中均取得了稳健的准确性。该诊断模型在外部验证测试中达到了心血管影像专家水平,并在极短时间内超越了初级放射科医生或心内科医生对LVH病因的识别能力。此外,不同亚型模型之间的性能比较表明,仅基于左心室心肌在心动周期中的形态学和运动特征进行学习的DL模型具有最高的准确性和稳定性。这一结果支持了以下观点:在仅有有限数据的情况下,使用人类可识别或公认的关键特征训练DL模型可以实现接近专家的性能且效率高,从而有助于为该领域的进一步人工智能研究和临床应用铺平道路。

我们的研究通过深度学习(DL)模型进一步阐明了电影磁共振成像(cine MRI)图像在左心室肥厚(LVH)鉴别诊断中的可行性。Zhang等人在电影磁共振成像上开发了一种慢性心肌梗死诊断深度学习模型,通过参考晚期钆增强(LGE)结果达到了高准确率,这提高了训练深度学习模型从电影图像中“学习”运动特征的可能性[13]。对于左心室肥厚,大量研究运动参数和室壁运动参数的研究已注意到,单一或联合的整体形态和运动指标在心脏淀粉样变性(CA)、肥厚型心肌病(HCM)和高血压性心脏病(HHD)的诊断中可能非常有价值[21–23]。尽管现在可以通过精细的后处理对心肌中的大量细节进行量化,但人类很难阅读并直接解读如此大量的参数,正如初级医生相对较差的表现所示。事实上,目前常规使用的只有整体应变和峰值应变[4, 24]。与人类相比,人工智能的核心能力之一是从图像中提取肉眼不明显的信息[25],因此,使用电影图像开发的深度学习模型能够区分这三种疾病是合理的。此外,本研究开发的深度学习模型运行速度非常快,这是人工智能算法另一个固有但不可忽视的优点。这些优势使该深度学习模型成为疑似左心室肥厚并转诊进行磁共振检查患者的理想快速分诊工具。

已有研究通过深度学习模型利用超声心动图或超声心动图来识别左心室肥厚[26, 27]。然而,超声或心电图提供的信息有限,尤其是缺乏组织特征描述,而组织特征描述通常为左心室肥厚患者的进一步鉴别诊断或风险分层提供关键因素[15, 28]。Khurshid等人的研究表明,利用深度学习模型通过心脏磁共振(CMR)衍生的左心室质量指数(LVMI)预测基因组变异的能力。Neisius U的研究表明,原生T1图像的放射组学分析可以在测试集中以80.0%的准确率区分高血压性心脏病与肥厚型心肌病[29]。Martini N等人的另一项研究使用晚期钆增强图像训练深度学习模型,在从其他患者中检测心脏淀粉样变性方面显示出88%的准确率[30]。我们的研究达到了相当的准确率,并补充了基于形态和运动特征的深度学习模型在左心室肥厚诊断中的可能性。结合形态、运动和组织特征来训练深度学习模型可能会取得更理想的结果,此类研究值得开展。

有趣的是,当输入“更少”的信息来训练人工智能模型时,结果反而更好。在我们的研究中,模型3在准确性和鲁棒性方面均优于其他两个模型。与模型1和模型2相比,模型3更专注于通过使用分割的左心室心肌掩膜而非左心室区域(模型1)或心肌(模型2)来提取形态和运动特征。理论上,MRI过程易受多种伪影和变异性的影响,包括但不限于制造商和扫描仪、扫描方案和采集参数。这些伪影和变异性对于神经网络(即本研究中的模型1和模型2)在不同数据集上的泛化能力而言是相当大的。相比之下,模型3中对分割的左心室心肌感兴趣区进行二值化处理,使图像质量的变异性降至最低。构建模型3所“学习”的内容预计仅为心脏的形状以及该形状在整个心动周期中如何变化(图7)。尽管信息被简化,但也经过了净化和纯化,这可能是在外部测试数据集中模型鲁棒性提高的原因。虽然深度学习模型的学习过程如同“黑箱”,但通过预先指定的信息输入,训练效率似乎得到了提高[31, 32]。类似的比较可见于Cao等人的研究,该作者开发了一种逐步的主动脉夹层人工智能分割模型,并证明其优于通过简单数据输入训练的传统模型[33]。由于MRI,尤其是心脏MRI是相对耗时的过程且更为昂贵,导致可用数据数量有限。我们的研究通过提供一种新的高效深度学习方法训练途径做出了贡献。

最后但同样重要的是,我们的分割结果与这些既往研究一致,并获得了更高的Dice值[34, 35]。我们通过更新分割模型的架构进行了补充。与其他基于深度学习的分割模型(如Mask R-CNN、FCN和DSN)相比,U-Net广泛用于医学图像分割,并已被证明是一种性能优异的网络,由于成功结合了低层和高层信息,在小数据集上表现良好[36],而与ResNet的结合可进一步提高特征提取效率并促进更精确的分割。

图7 不同左心室肥厚类型的 cine 图像及模型3中相应感兴趣区的示意图 查看原图 ↗

局限性

这里需要提到几个局限性。首先,本研究纳入的患者数量有限。然而,对于这项基于MRI的研究,所使用的数据数量与以往已发表的研究相当,并且我们进行了外部验证和人类水平比较,以进一步验证我们的结果。其次,LVH的表现还可出现在其他疾病中,包括铁沉积、安德森-法布里病、嗜酸性心肌病或心肌其他炎症过程。考虑到可用病例数量,本研究在LVH分类任务中仅纳入了本中心三种最常见的病因。因此,本研究开发的DLAD模型的直接临床应用受到限制。我们模型的另一个局限性是缺乏临床变量或其他MRI序列,这也可能是初级心脏科/放射科医生表现相对不理想的原因,因为他们习惯于利用更多信息来诊断疾病。特别是,此类AI模型的性能能否超越T1 mapping的诊断能力,需要在未来研究中进一步验证。尽管如此,在本研究中我们试图基于从电影图像中提取的形态学和运动特征构建模型。有必要开展纳入更多序列和临床变量的进一步研究。

结论

描述了一种使用心脏电影MRI的、基于全自动心肌分割和时空形态学特征的LVH病因诊断深度学习框架,其性能不劣于心血管影像专家,并在多中心数据中表现稳健。所提出的AI框架至少可促进LVH病因的初步诊断,并且我们可能提供了一种在仅有有限数据时开发DL模型的有效方法。

补充信息

附加文件1。补充方法和结果。

引用

  1. Diao, Liang, Yin, et al. Multi-channel deep learning model-based myocardial spatial-temporal morphology feature on cardiac MRI cine images diagnoses the cause of LVH. Insights Imaging. 2023. PMID: 37093501. doi:10.1186/s13244-023-01401-0
  2. 全文:PMC10126185(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10126185/

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。