论文部分内容阅读
目的:肝纤维化的早期诊断及干预对防治肝硬化、肝癌至关重要。肝脏穿刺活检目前仍然是肝纤维化诊断的金标准,但作为有创的检查,其存在发生严重并发症的风险。基于大数据的深度学习模型在疾病的无创性诊断中逐渐广泛应用。本研究旨在探讨基于CT平扫图像的残差网络ResNet深度学习模型评估肝纤维化分期的效能和应用价值。材料和方法:本研究回顾性分析了347名不同病因的慢性肝病患者,包括213名男性患者和134名女性患者,均具有肝组织穿刺活检的病理结果作为肝纤维化分期的金标准,且在穿刺前或穿刺后三个月内均完成了肝脏平扫CT检查。肝纤维化患者的病理精确分期分为无纤维化F0、无纤维化间隔F1、少量纤维化间隔F2、间隔纤维化F3和肝硬化F4五类。在临床分期诊断中,F0和F1为无显著肝纤维化,≥F2为显著肝纤维化,≥F3为进展期肝纤维化,F4为肝硬化。每名患者选择与肝脏穿刺活检位置相近的3个层面的轴位图像,经过图像预处理及一系列图像增强后,作为残差网络ResNet深度学习模型的输入数据。首先,建立基于单纯CT平扫图像的ResNet二分类模型,该模型输出标签为0和1,由以下情况组成○1 0类:F0-3,1类:肝硬化（F4）○2 0类:F0-2,1类:进展期肝纤维化（F3-4）○3 0类:F0-1,1类:显著肝纤维化（F2-4）○4 0类:F0,1类:存在肝纤维化（F1-4）。应用受试者工作特征（Receiver operating characteristic,ROC）曲线下面积（Area under curve,AUC）及准确度、敏感度、特异性评估ResNet二分类模型诊断肝纤维化二分类分期,即诊断肝硬化（F4 vs.F0-3）,进展期肝纤维化（F3-4 vs.F0-2）、显著肝纤维化（F2-4 vs.F0-1）以及存在肝纤维化（F1-4 vs.F0）的能力。应用相似的建立模型的方法,对347名不同病因的慢性肝病患者,建立了两个五分类精确分期模型。首先建立基于单纯CT平扫图像的ResNet五分类模型。同时,我们搜集患者的临床信息,包括年龄、性别及发现肝脏异常年限,将这些临床特征与网络提取的CT平扫图像特征在输入层进行合并,得到ResNet五分类混合模型。这两个五分类精确分期模型输出标签为0、1、2、3和4,分别对应F0、F1、F2、F3和F4期。根据输出结果得到两个模型的五分类混淆矩阵,应用Kappa系数及准确度、召回率、精确率分别评估ResNet五分类模型及ResNet五分类混合模型诊断肝纤维化精确分期F0、F1、F2、F3和F4的能力。并将ResNet五分类模型与ResNet五分类混合模型评估肝纤维化精确分期的能力通过卡方检验进行比较,p<0.05具有统计学差异。最后,我们应用318例慢性乙肝或丙肝患者的CT平扫图像及临床信息训练ResNet五分类混合模型,从增加图像多样性、控制病因及均衡各肝纤维化分期比例三个角度优化模型。并通过模型诊断标签的五分类混淆矩阵及相关Kappa系数值,评估该ResNet五分类混合模型诊断慢性乙肝或丙肝患者肝纤维化精确分期F0、F1、F2、F3和F4的能力。本研究各部分实验均采用五折交叉验证方法。每一部分实验的数据分为训练组和验证组。训练组约占总样本量的80%,验证组约占20%,且训练组和验证组各纤维化分期的比例大致相等。最终结果为验证组五折交叉验证的平均值。结果:（1）在慢性肝病患者肝纤维化临床二分类分期中,ResNet二分类模型评估肝硬化、进展期肝纤维化、显著肝纤维化以及存在肝纤维化的ROC曲线下面积AUC分别为0.97、0.94、0.90和0.91。（2）在慢性肝病患者肝纤维化五分类精确分期中,基于单纯CT平扫图像的ResNet五分类模型诊断标签的混淆矩阵相关kappa系数为0.566,即ResNet五分类模型诊断肝纤维化精确分期F0、F1、F2、F3和F4的结果,与金标准病理相比,具有中度一致性。ResNet五分类模型对F0、F1、F2、F3和F4期召回率分别为14.7%、5%、60%、23.5%和86.3%。而基于CT平扫图像和临床信息的ResNet五分类混合模型诊断标签的混淆矩阵相关kappa系数为0.63,即与金标准病理相比,具有高度一致性。ResNet五分类混合模型对F0、F1、F2、F3和F4期召回率分别为26.7%、6.9%、47.2%、11.8%和84.5%。ResNet五分类模型与ResNet五分类混合模型诊断肝纤维化精确分期的结果比较,具有统计学差异（p<0.05）（3）通过增加图像多样性、控制病因及均衡各肝纤维化分期患者比例三个角度优化后,ResNet五分类混合模型对乙肝或丙肝患者F0、F1、F2、F3和F4期肝纤维化召回率分别为55.4%、13.6%、36.4%、18.3%和76.5%。优化后的ResNet五分类混合模型诊断标签的混淆矩阵相关kappa系数为0.52,即ResNet五分类混合模型诊断乙肝或丙肝患者肝纤维化精确分期的结果,与金标准病理具有中度一致性。结论:（1）基于CT平扫图像的ResNet二分类模型对肝纤维化二分类分期具有较高的诊断效能,可以作为辅助诊断肝硬化、进展期肝纤维化、显著肝纤维化以及判断存在肝纤维化的非侵入性影像学方法。（2）在慢性肝病患者肝纤维化的精确分期中,基于CT平扫图像的ResNet五分类模型和基于CT平扫图像及临床信息的ResNet五分类混合模型,对肝硬化诊断价值较高,对F0,F1,F2,F3期肝纤维化诊断能力不足。增加临床信息的ResNet五分类混合模型,较ResNet五分类模型诊断肝纤维化精确分期的能力有所提升。（3）优化后的ResNet五分类混合模型,能够辅助诊断乙肝或丙肝患者肝硬化。尽管模型优化后,其对F1-F3期的召回率和精确率略有进一步提高,但其对F0,F1,F2,F3期肝纤维化诊断能力仍待改善。总之,基于CT平扫图像的残差网络ResNet深度学习模型能够辅助诊断肝硬化,对非肝硬化患者,能够评估纤维化趋势,但尚不足以诊断肝纤维化精确分期。