基于剪切波弹性成像和卷积神经网络建立深度学习模型预测肾脏病变

马立勇，董梦超，李广涵，刘 健，武敬平，陆海涛，邹古明，卓 莉，牟 姗，郑 敏*

[1.哈尔滨工业大学(威海)信息科学与工程学院，山东 威海 264209；2.中日友好医院超声医学科，3.肾病科，北京 100029；4.上海交通大学医学院附属仁济医院肾脏科，上海 200127]

肾脏疾病临床常见，人群患病率较高。超声剪切波弹性成像(shear wave elastography, SWE)属非侵入性影像学技术，通过测量肾脏组织的剪切波速度而得到评估其弹性的杨氏模量参数。目前认为组织弹性与其病理状态相关。肾脏硬度与肾脏纤维化之间存在显著相关性，利用SWE可准确检出肾小球硬化和肾间质纤维化所致肾损伤[1]，通过测量硬度能反映肾实质病理变化[2]，为诊断肾脏疾病提供了一种补充性的检查方法[3]。既往研究[4-7]表明SWE测量的肾脏硬度与病理所见间质纤维化高度相关，且对检出IgA肾病具有高度特异性和敏感性[4]。研究[8]表明肾皮质的弹性模量对于诊断早期糖尿病具有重要价值，且与慢性肾病呈正相关[9]；弹性成像并可用于评估儿童慢性肾病[10]，提示SWE能够辅助诊断肾病。目前已有研究采用支持向量机方法结合B模超声图像和SWE建立预测肾疾病的模型[11]。

深度学习(deep learning, DL)是一种人工智能技术，卷积神经网络则是最为成熟的DL方法之一，通过从图像到结果完成端到端学习，建立有效的分类模型[12-14]。与其他神经网络方法不同，卷积神经网络可自动提取最能实现有效分类的特征并加以利用，高效完成分类任务，在分析医学图像和辅助诊断方面取得了巨大成功，并已用于辅助诊断肾脏疾病[14-15]。本研究前瞻性采用卷积神经网络建立肾脏疾病预测模型，并比较其与其他机器学习方法的效能。

1 资料与方法

1.1 一般资料 收集2019年6月—12月于中日友好医院接受肾穿刺活检患者，排除单侧肾脏、肾盂积水、肾脏肿瘤、合并其他严重疾病或无法完成超声弹性成像检查者，最终94例入组(病例组)，其中男60例，女34例，年龄24～69岁，平均(42.1±13.1)岁；病理分类包括原发肾小球肾炎53例、继发肾小球肾炎28例及肾小管间质病变13例。同期招募109名健康志愿者(对照组)，男59名，女50名，年龄21～72岁，平均(52.9±15.0)岁。本研究经中日友好医院伦理委员会批准。

1.2 仪器与方法

1.2.1 数据集 按照4∶1将2组受检者分为训练集和测试集。训练集包括病例组75例和对照组87名，将其超声弹性参数用于DL方法训练。测试集包括病例组19例和对照组22名，采用不同模型预测其弹性参数，根据结果对比各模型预测性能。

1.2.2 SWE参数获取 由一名具有5年以上超声腹部诊断和弹性成像操作经验的医师于肾穿刺活检前采用Mindray昆仑Resona 8多普勒彩色超声诊断仪，C6-1探头，频率1.5～6 MHz行SWE。嘱受检者俯卧或侧卧，探头与肾脏包膜相垂直，保持ROI区域大小一致，嘱受检者屏息，待ROI内部颜色充满且均匀、弹性图像稳定后，依次测量双侧肾皮质、髓质和肾窦部的剪切波速度，每个部位最少测量3次，取中位数为剪切波数值，共得到6个测量值。见图1。

图1 获取肾脏超声弹性成像参数示意图

1.2.3 卷积神经网络预测模型 每个样本的输入为由6个弹性模量组成的向量。为充分发掘数据之间的关系，采用一维卷积神经网络方法构建KDnet模块，见图2；由该模块以6种不同参数的卷积和批正则化(batch normalization, BN)层处理输入的一维向量之后加以合并，结果仍为一维向量。采用3个KDnet模块依次连接构成卷积神经网络，经DropOut层后进入全连接网络(fully connected layers, FC)得到分类输出，见图3。

图2 KDnet块的网络架构 经多个卷积和BN处理输入通道数为Cin的一维向量，之后合并得到通道数为Cout的一维向量

图3 卷积神经网络的网络架构 经过多个KDnet模块处理一维向量后，通过FC层得到结果

DL模型采用Python 3.7和PyTorch 1.3.1实现，使用随机梯度下降(stochastic gradient descent, SGD)优化器、分类交叉熵损失训练网络模型，设置批处理量为32，初始学习率为0.002， DropOut层的比率为0.8，当验证数据集损失连续50次不再下降时，学习率降低0.1。

1.2.4 支持向量机和随机森林模型 针对相同数据集建立支持向量机和随机森林模型。以Scikit-learn 0.22在Python 3.7中完成模型建立。对支持向量机模型的目标函数惩罚因子参数C在[24,216]范围以2倍步长进行参数寻优，同时对所有核函数进行寻优。对随机森林的决策树数量在[25,212]范围以2倍步长进行寻优。两种模型的其余参数均采用默认值。

1.3 统计学分析 以Python 3.7软件生成受试者工作特征(receiver operating characteristic, ROC)曲线，计算曲线下面积(area under the curve, AUC)，计算并比较各模型的敏感度、特异度和准确率。使用Python 3.7软件和统计工具箱scipy 1.3.1，以χ2检验比较DL模型与支持向量机和随机森林模型针对测试集的预测结果的差异。P<0.05为差异有统计学意义。

2 结果

DL模型预测肾疾病的敏感度、特异度和准确率分别为90.48%、100%和95.12%，AUC为0.93；对病例组3例预测错误，对照组预测均准确。支持向量机模型预测肾疾病的敏感度、特异度和准确率分别为80.74%、80.71%和80.98%，AUC为0.90；随机森林模型的敏感度、特异度和准确率分别为82.22%、77.87%和80.33%，AUC为0.88。DL模型的敏感度、特异度、准确率和AUC均高于支持向量机模型和随机森林模型；与支持向量机模型及随机森林模型预测肾疾病差异均有统计学意义(χ2=10.25、P=0.00137，χ2=10.26、P=0.00136)。见图4。

图4 各模型预测肾疾病的ROC曲线

3 讨论

基于SWE定量参数和卷积神经网络的DL模型可有效预测肾疾病。支持向量机是一种基于统计学习理论的机器学习方法，通过求解优化算法找到最佳分类超平面，具有良好的泛化能力。随机森林通过随机组合建立的决策树，最终利用多数表决得到分类结果。

本研究结果显示，相比支持向量机和随机森林模型，DL模型的预测性能更好，这是由于深度卷积神经网络方法具有自动寻找参数中隐含特性、并从中自动提取适合肾疾病预测任务特征的优势。支持向量机依赖核函数将低维空间映射到高维空间，以寻找最优分类界面，随机森林使用决策树随机选取最优特征，此两种模型选择特征空间均受到较大限制，导致灵活性不足；而DL模型通过目标函数选择特征，其寻优范围更大、选择参数更灵活。DL模型通过引入局部感受野和共享权重解决了计算效率问题，通过分层结构模仿人脑进行层次化建模，可发掘数据的隐含关系并加以表达，故其敏感度、特异度和准确率均更高，特异度表现尤其优秀。针对IgA肾病的SWE研究[4]结果显示，诊断敏感度和特异度分别为89.00%和90.00%；而以超声剪切波预测儿童慢性肾病[10]的敏感度和特异度分别为76.50%和92.10%，均低于本研究结果，主要原因在于既往研究仅关注肾皮质弹性模量值，而未采用机器学习预测模型。GROSSMANN等[6]利用剪切波弹性值诊断肾小球肾炎的AUC为0.89 ，同样低于本研究结果，主要原因亦为未采用机器学习预测模型。

通过肾穿刺进行活体病理学检查是目前诊断肾脏病变的金标准，但有创，使其应用受到一定限制。SWE具有无创、便捷等特点，为诊断肾脏病变提供了一种补充性的非侵入性途径。开发基于超声弹性成像的肾脏疾病预测模型，不仅有助于辅助诊断肾脏病变，还有助于根据病情进行筛选分流，优化诊断流程。超声SWE和DL相结合，有助于建立高性能的肾脏疾病预测模型。

综上所述，本研究应用SWE和卷积神经网络建立DL模型预测肾脏疾病，其诊断效能优于支持向量机和随机森林模型，有一定临床应用价值。本研究的主要局限性在于单中心设计，样本量有限，需要更多数据进一步深入观察。