基于从头训练模式深度学习卷积神经网络模型评估急性肺栓塞的价值

郭润财 王蕾 黄振国 席霖枫 张帅 刘敏

中日友好医院1放射诊断科，2呼吸与危重症科 （北京 100029）

急性肺动脉血栓栓塞（APE）是新鲜血栓阻塞肺动脉，从而引发肺循环障碍的急性病理生理性改变，可导致急性右心衰甚至猝死［1］。及时准确诊断APE 及评估血栓负荷的严重程度，对于临床治疗方案的选择及预后评价有重要意义。CT 肺动脉造影（CTPA）是目前临床无创性诊断肺栓塞的重要方法，此外CTPA 能够提供血栓负荷的信息。目前基于CTPA 的血栓负荷的定量分析常采用基于CTPA 的Qanadli 栓塞指数［2］和Mastora 栓塞指数［3］，但明显依赖阅片医师的经验且评价耗时，限制了其广泛应用。深度学习算法（DL）为人工智能领域重要技术［4］，目前已经开始应用于疾病的辅助诊断及评估［5-8］。我们前期研究［8］建立基于卷积神经网络（CNN）的深度学习模型（DL-CNN）诊断APE。CNN 的训练方法一般分为两种，即从头训练法［CNN（fs）］和微调法，其中CNN（fs）利用随机初始化权值从头开始训练模型，采用大规模的数据集进行训练，模型可以获得良好的性能，但目前尚鲜见在肺血管疾病领域中的应用报道。因此，本研究采用从头训练法优化DL-CNN 模型，探讨基于从头训练法的DL-CNN 模型［DL-CNN（fs）］诊断APE 及评估血栓负荷的价值。

1 资料与方法

1.1 研究对象本研究回顾性纳入2019 年1 月至2022 年1 月于我院因可疑肺栓塞行CTPA 检查的住院患者。根据临床诊断，将纳入患者分为APE组与阴性组。APE 诊断遵循2019 年欧洲心脏病学会（ESC）和欧洲呼吸学会（ERS）指南［9］。入选标准：可疑APE 于我院放射科行CTPA 检查的住院患者；确诊APE 患者至少有一次治疗后复查CTPA 证实栓子减少或吸收。排除标准：（1）初始CTPA 图像质量差无法用于诊断者；（2）出院诊断慢性肺动脉栓塞、肺动脉高压、肺动脉肿瘤、肺血管炎和纵隔纤维化，肺血管畸形，先天性心脏病的患者。本研究得到了中国临床试验注册中心（http：//www.chictr.org/en/；注册号ChiCTR-OCH-14004929）和医院伦理委员会的批准（医学伦理编号：2022-KY-048）。因为回顾性研究，免除患者知情同意。

1.2 CTPA 检查患者于仰卧姿势，深吸气后闭气采用多排螺旋CT（GE Revolution CT；东芝Aquilion one tsx-301C/320；西门子SOMATOM definition双源CT） 扫描，扫描范围自胸廓入口到膈上水平。扫描条件为120 kV，100 ～ 300 mAs，CT 检查床速度39.37 mm/s，机架旋转时间0.8 s，CTPA 检查对比剂为非离子型对比剂优维显（Ultravist， 370 mgI/mL，先灵拜尔），总量为70 mL，注射速度为4 ～ 4.5 mL/s，生理盐水50 mL。重建断面厚度为0.625 ～ 1 mm，重建断面间距为0.625 ～ 1 mm。采用对比剂自动检测触发技术确定扫描延迟时间，自动检测触发技术将靶区定位于肺动脉主干水平，预定义阈值为100 Hu，以及固定5 s 延迟采集数据。原始图像按软组织标准算法重建。由PACS 系统中调出CTPA 原始数据，导入计算机工作站（Adw 4.6 GE Healthcare），在工作站分析按标准方法重建后的图像。分析图像时采用纵隔窗和肺窗，观察测量肺动脉、右心功能相关参数。以横切位图像作为诊断与分析的主要方式，必要时采用多平面重建方法分析图像。

1.3 CTPA 图像分割采用我们前期研究建立的U-Net 模型［8］自动识别并分割肺动脉栓子。从头训练法CNN（fs）在没有预先训练的情况下对分割网络的权值进行训练，并使用Xavier 方法［10］进行权值初始化。给定一例患者的CTPA 序列，我们训练的急性肺栓塞分割模型将通过sigmoid 函数输出每个像素被判定为APE 的概率。通过设置概率阈值，最终得到APE 分割结果。一般情况下，概率值大于概率阈值的区域被认为是APE。参照我们前期研究［8］，本研究的概率阈值设置为0.1。同时，根据自动分割方法［1］划分的肺叶和肺段，将所有分割的血栓定位到中心肺动脉，包括主肺动脉、左右肺动脉、叶级动脉，以及外周肺动脉（18 个段级动脉，包括：R1 右肺上叶尖段、R2 右肺上叶前段、R3 右肺上叶后段、R4 右肺中叶内段、R5 右肺中叶外段、R6 右肺下叶背段、R7 右肺下叶内基底段、R8 右肺下叶前基底段、R9 右肺下叶外基底段、R10 右肺下叶后基底段、L1+3 左肺上叶尖后段、L2左肺上叶前段、L4 左肺上叶上舌段、L5 左肺上叶下舌段、L6 左肺下叶背段、L7+8 左肺下叶内前基底段、L9 左肺下叶外基底段、L10 左肺下叶后基底段。由模型检测出急性肺栓塞的患者，其检测出的所有栓子的体积会根据公式随后自动给出。栓子体积计算公式如下：

公式中，Ωk表示一个血栓区域k，pi表示血栓区域k中的像素i，Vk表示血栓区域k的体积。wi和hi分别表示pi的宽度和高度，Ti表示像素i所在CT 横截面的厚度。

1.4 CTPA 图像的人工分析CTPA 图像由3 名放射科医师分别独立评估。1 名有10 年胸部影像诊断经验的放射科医师完成中心肺动脉及外周肺动脉栓子评估；1 名有20 年胸部影像诊断经验的放射科医师计算Qanadli 栓塞指数和Mastora 栓塞指数。1 名有8 年胸部影像诊断经验的放射科医师在CTPA 图像上测定右心功能相关心血管参数，包括右心室及左心室最大横径比、面积比、主肺动脉直径、升主动脉直径、主肺动脉及升主动脉直径比、右室壁舒张期厚度、室间隔舒张期厚度、上腔静脉面积、下腔静脉面积、脊柱室间隔角［11-12］。

1.5 统计学方法应用SPSS 26.0 （Chicago，IL，USA）统计软件包，人工评价和DL-CNN（fs）评价的定量数据用Mean±SD 或中位数（四分位间距）表示。DL-CNN 模型对栓子的分布的诊断价值采用灵敏度、特异度及感兴趣区曲线下面积（AUC）评价。AUC 在0.5 ～ 0.7 时表示诊断准确性较低，AUC 在0.7 ～ 0.9 时表示诊断准确性为中等，AUC在0.9 以上时表示诊断准确性较高。AUC = 0.5时，说明诊断方法完全不起作用，无诊断价值［13］。DL-CNN 模型测算的肺动脉栓子体积与Qanadli 栓塞指数和Mastora 栓塞指数之间的相关性比较、DL-CNN 模型测算的肺动脉栓子体积与右心功能参数指标的相关性比较，进行Spearman 相关分析。以P＜ 0.05 为差异有统计学意义。

2 结果

2.1 临床信息根据纳入及排除标准，共纳入行CTPA 检查患者214 例，其中男101 例，女113 例，年龄15 ～ 90 岁，中位年龄64 岁。最终诊断APE 137例（年龄15 ～ 90岁，中位年龄65岁，男64例，女73例），阴性77例（年龄23 ～ 90岁，中位年龄61岁、男37 例，女40 例）。22 例患者由于CTPA 图像质量差被排除。76 例患者无治疗后院内复查CTPA 被排除。31 例慢性肺动脉血栓栓塞性肺动脉高压、12 例动脉炎及4 例肺动脉肉瘤患者均被排除。

2.2 DL-CNN（fs）模型与人工检测肺动脉栓子的比较图1 显示采用DL-CNN（fs）模型识别分割的肺动脉内栓子。表1 显示DL-CNN（fs）检测中心肺动脉栓子与放射科医师检测存在显著差异（χ2=19.653，P＜ 0.001）。表2 显示DL-CNN（fs）检测中心肺动脉栓子的敏感度为100%，而特异度仅为16.8%，检测外周肺动脉栓子的（R10 除外）敏感度、特异度均较高。AUC 显示DL-CNN（fs）模型评价中心肺动脉栓子的AUC 值为0.584 ，外周肺动脉栓子的AUC 值在0.7 ～ 0.9 之间。

表1 DL-CNN（fs）与放射科医师检测中心肺动脉栓子比较Tab.1 The comparison of DL-CNN （fs） and radiologist detecting central pulmonary artery embolism例

表2 DL-CNN（fs）模型检测肺动脉栓子的价值分析Tab.2 The value of DL-CNN （fs） model detecting pulmonary artery embolism

图1 采用DL-CNN（fs）分割栓子示意图Fig.1 Schematic diagram of segmentation of emboli using DL-CNN （fs）

2.3 血栓负荷分析DL-CNN（fs）测算的栓子体积中位数为0.50 mL ［IQR 0.08，6.90］，与Qanadli score 和Mastora score 呈显著正相关（r= 0.867，P＜0.001；r= 0.854，P＜ 0.001）。表3 显示DL-CNN（fs）测算的栓子体积与主肺动脉直径、主肺动脉及升主动脉直径比、右心室及左心室最大横径比、面积比、下腔静脉面积、脊柱室间隔角显著正相关（P＜ 0.001）。两者与上腔静脉面积、右室壁舒张期厚度、室间隔舒张期厚度、升主动脉直径无显著统计学相关。

表3 DL-CNN（fs）测算栓子体积与血栓负荷及心血管参数相关性分析Tab.3 The correlation among clot volume measured by DL-CNN （fs）， clot burden and cardiovascular parameters

3 讨论

本研究采用DL-CNN（fs）模型检测APE 患者栓子分布及血栓负荷，研究显示DL-CNN（fs）模型对中心肺动脉栓子评价敏感度高而特异度低，对外周肺动脉栓子评价敏感度和特异度均较高［R10（右肺下叶后基底段肺动脉）除外］。DL-CNN（fs）模型测算的栓子体积与右心功能参数间具有显著相关性，可以反映右心功能。

我们前期研究［8］发现利用DL-CNN 能够自动检测APE 患者的栓子，与本研究结果一致。但前期研究未行中心型及外周型肺动脉栓子检测价值的分析。本研究采用的DL-CNN（fs）模型在评价中心肺动脉栓子时敏感度较高，特异度较低，说明DL-CNN（fs）模型评价中心肺动脉病灶误诊率较高，主要原因有把血管壁周围软组织、流速不均伪影、相邻静脉、上腔静脉造影剂伪影识别为中心肺动脉栓子。DL-CNN（fs）模型评价外周肺动脉栓子（R10 除外）的敏感度、特异度均较高，说明DL-CNN（fs）模型可以在一定程度上辅助医生进行外周肺动脉栓子的评价，可以用于筛查中心肺动脉栓子的有无，但是评价中心肺动脉栓子的特异度需要进一步优化，未来可以考虑把中心肺动脉细分（分为主肺动脉、左肺动脉、右肺动脉及各叶动脉）优化。

APE 严重程度同肺动脉负荷相关。以往研究主要应用Qanadli 和Mastora 肺栓塞指数评分半定量评估APE 的阻塞程度［2-3，14-16］，但计算方法复杂而繁琐。SHEN 等［17］应用计算机辅助检测（computerassisted detection， CADe）发现，CADe 测算的栓子体积与Qanadli 指数、Mastora 指数呈正相关。本研究发现DL-CNN（fs）模型测算出的栓子体积与肺栓塞指数具有正相关性，可能有助于提高临床医生的工作效率、减轻工作量。

右心室及左心室最大横径比＞ 1 被认为是CTPA 诊断右心功能不全的可靠征象， 而且与肺栓塞的严重程度和死亡有一定的相关性［18-20］。本研究发现DL-CNN（fs）模型测算的肺栓子体积与右心室及左心室面积比、右心室及左心室横径比、主肺动脉直径、主肺动脉及升主动脉直径比、脊柱室间隔角、下腔静脉面积均显著正相关，表明DLCNN（fs）模型测算的肺栓子体积与右心参数间具有相关性，可以在一定程度上反映患者的右心功能情况，从而快速判断患者情况，指导临床诊疗，改善患者预后。

我们的研究有几个局限性：第一，由于本研究纳入及排除标准较为严苛，导致本组患者中阳性比例较高，因此一定程度影响DL-CNN（fs）模型评价APE 的价值；第二，人工智能疾病诊断模型的效能明显依赖于建模数据量，本研究为单中心研究，本模型样本量尚需进一步扩大，从而提高人工智能模型的鲁棒性；第三，研究的参数没有包括临床参数，此次纳入患者只是APE患者，对于异病同征的情况只能靠人为纳入排除标准，目前DL-CNN（fs）模型尚不能区分血栓与非血栓疾病。总之，本研究证实DL-CNN（fs）模型检测肺动脉栓子均具有较高的敏感度，对中心肺动脉栓子检测特异度差，对外周肺动脉栓子检测价值较高，模型测算的栓子体积可反映肺栓塞阻塞程度、右心功能，从而辅助临床医师对APE快速评估。

【Author contributions】GUO Runcai performed the experiments and wrote the article. WANG Lei，XI Linfeng，HUANG Zhenguo，ZHANG Shuai performed the experiments. LIU Min and HUANG Zhenguo revised the article. LIU Min designed the study and reviewed the article. All authors read and approved the final manuscript as submitted.