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

doi:10.3969/j.issn.1006-5725.2023.22.021

摘要/Abstract

摘要：

目的分析基于从头训练模式深度学习-卷积神经网络模型［the deep learning convolutional neural network model trained from scratch，DL-CNN（fs）］的人工智能算法评估急性肺动脉血栓栓塞（acute pulmonary thromboembolism，APE）的价值。方法回顾性纳入214例可疑APE行CT肺动脉造影（CTPA）的住院患者，包括急性肺动脉血栓栓塞137例，阴性77例。放射科医师根据CTPA图像判断有无APE，并计算Qanadli评分、Mastora评分和其他CTPA参数。采用DL-CNN（fs）训练网络模型自动检测栓子的分布及容积。评估DL-CNN（fs）模型测量血栓分布的价值，计算血栓负荷与Qanadli评分、Mastora评分和其他CTPA参数的相关性。结果 DL-CNN（fs）测算的中心肺动脉栓子敏感度、特异度、感兴趣区曲线下面积（AUC）分别为100%、16.8%、0.584（95%CI， 0.508 ~ 0.661）；DL-CNN（fs）测算的外周肺动脉栓子敏感度、特异度、AUC均较高（R1-R9，60.8% ~ 95.2%，67.9% ~ 87.1%，0.740 ~ 0.844；L1-L10，64.6% ~ 93.4%，62.7% ~ 83.1%，0.732 ~ 0.791）。DL-CNN（fs）测算的栓子体积与Qanadli score肺栓塞指数显著正相关（r = 0.867，P < 0.001），与Mastora score肺栓塞指数显著正相关（r = 0.854，P < 0.001），与右心室及左心室最大横径比、右心室及左心室最大面积比呈正相关（r = 0.549，0.559，P<0.01）。结论 DL-CNN（fs）模型检测外周肺动脉栓子具有较高的价值，对中心肺动脉栓子诊断特异度有待进一步提高。DL-CNN（fs）模型自动提供APE患者的栓子体积，可以一定程度反映栓塞程度及右心功能，能够辅助医生对于APE患者血栓负荷及危险分层的快速评估。

关键词: 深度学习, 卷积神经网络, 急性肺动脉血栓栓塞, 计算机断层成像肺动脉造影

Abstract:

Objective This research aimed to study the values of the deep learning convolutional neural network model trained from scratch（DL?CNN（fs）） in assessment of acute pulmonary thromboembolism （APE）. Methods A total of 214 patients with suspected APE who underwent computed tomography pulmonary angiography（CTPA） were retrospectively studied， including 137 patients with APE and 77 patients without APE. The presence or absence of APE was determined by the radiologists based on CTPA. The Qanadli score， Mastora score and other parameters on CTPA were measured by the radiologists. The clot volumes and distribution were measured by U?net model which was based on DL?CNN. The performance of DL?CNN（fs） in measuring clot distribution and clot burden was evaluated. The correlation between clot burden and Qanadli score， Mastora score and other CTPA parameters was calculated. Results Sensitivity， specificity and AUC of the central pulmonary artery clot distribution measured by DL?CNN（fs） were 100%， 16.8%， AUC = 0.584 （95%CI： 0.508 ~ 0.661）. Sensitivity， specificity and AUC of the peripheral pulmonary artery clot distribution were high （R1?R9， 60.8% ~ 95.2%，67.9% ~ 87.1%，0.740 ~ 0.844； L1?L10， 64.6% ~ 93.4%， 62.7% ~ 83.1%， 0.732 ~ 0.791）. Strong positive correlation was noted between clot volumes measured by DL?CNN （fs） model and Qanadli score （r = 0.867，P < 0.001）， as well as Mastora score （r = 0.854， P < 0.001）. Clot volumes measured by DL?CNN （fs） model were correlated with the right ventricular functional parameters（right ventricular diameter/left ventricular diameter， right ventricular area/left ventricular area，r = 0.549， 0.559， P < 0.01）. Conclusion The DL?CNN （fs） model has high value in detecting peripheral pulmonary embolism， and its diagnostic specificity for central pulmonary embolism needs to be further improved. The clot volumes from DL?CNN（fs） were correlated with metrics of pulmonary embolism and right ventricular function， which may help doctors to quickly evaluate the clot burden and risk stratification of acute pulmonary thromboembolism.

Key words: deep learning, convolution neural network, acute pulmonary thromboembolism, computed tomography pulmonary angiography

中图分类号:

R445.3

郭润财,王蕾,黄振国,席霖枫,张帅,刘敏. 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[J]. 实用医学杂志, 2023, 39(22): 2979-2983.

Runcai GUO,Lei WANG,Zhenguo HUANG,Linfeng XI,Shuai ZHANG,Min. LIU. Deep learning convolutional neural network model trained from scratch algorithm in the evaluation of acute pulmonary thromboembolism[J]. The Journal of Practical Medicine, 2023, 39(22): 2979-2983.

图/表 4

图1

表1

表2

表3

参考文献 20

1	PALM V， RENGIER F， RAJIAH P， et al. Acute Pulmonary Embolism： Imaging Techniques， Findings， Endovascular Treatment and Differential Diagnoses［J］. Rofo，2020，192（1）：38-49.
2	QANADLI S D， HAJJAM M EL， VIEILLARD-BARON A， et al. New CT index to quantify arterial obstruction in pulmonary embolism： comparison with angiographic index and echocardiography［J］. AJR Am J Roentgenol，2001，176（6）：1415-1120.
3	MASTORA I， REMY-JARDIN M， MASSON P， et al. Severity of acute pulmonary embolism： evaluation of a new spiral CT angiographic score in correlation with echocardiographic data［J］. Eur Radiol，2003，13（1）：29-35.
4	CURRIE G. Intelligent Imaging： Anatomy of Machine Learning and Deep Learning［J］. J Nucl Med Technol，2019，47（4）：273-281.
5	REA G， SVERZELLATI N， BOCCHINO M， et al. Sica G. Beyond Visual Interpretation： Quantitative Analysis and Artificial Intelligence in Interstitial Lung Disease Diagnosis "Expanding Horizons in Radiology"［J］. Diagnostics （Basel），2023，13（14）：2333.
6	WANG H， WANG L， LEE E H， et al. Decoding COVID-19 pneumonia： comparison of deep learning and radiomics CT image signatures［J］. Eur J Nucl Med Mol Imaging，2021，48（5）：1478-1486.
7	CHANG C C， TANG E K， WEI Y F， et al. Clinical radiomics-based machine learning versus three-dimension convolutional neural network analysis for differentiation of thymic epithelial tumors from other prevascularmediastinal tumors on chest computed tomography scan［J］. Front Oncol，2023，13：1105100.
8	LIU W， LIU M， GUO X， et al. Evaluation of acute pulmonary embolism and clot burden on CTPA with deep learning［J］. Eur Radiol，2020，30（6）：3567-3575.
9	KONSTANTINIDES S V， MEYER G， BECATTINI C， et al. 2019 ESC Guidelines for the diagnosis and management of acute pulmonary embolism developed in collaboration with the European Respiratory Society （ERS）［J］. Eur Heart J，2020，41（4）：543-603.
10	GLOROT X， BENGIO Y. Understanding the difficulty of training deep feedforward neural networks［J］. JMLR Workshop and Conference Proceedings， 2010， 9：249-256.
11	陆威.CT肺动脉造影对急性肺栓塞严重程度的评估价值［J］.临床放射学杂志，2023，42（7）：1103-1107.
12	黄月薇，陈小菊，黄小华，等. CT肺血管成像右心功能参数评估肺栓塞严重程度的风险因素研究［J］. 实用放射学杂志，2021，37（7）：1060-1064.
13	MANDREKAR J N. Receiver operating characteristic curve in diagnostic test assessment［J］. J Thorac Oncol，2010，5（9）：1315-1316.
14	VENKATESH S K， WANG S C. Central clot score at computed tomography as a predictor of 30-day mortality after acute pulmonary embolism［J］. Ann Acad Med Singap， 2010，39（6）：442-447.
15	FURLAN A， AGHAYEV A， CHANG C C， et al. Short-term mortality in acute pulmonary embolism： clot burden and signs of right heart dysfunction at CT pulmonary angiography［J］. Radiology，2012，265（1）：283-293.
16	张凡涛，罗涛. 中高危急性肺血栓栓塞症患者CTPA检查中Qanadli指数的预后意义［J］. 放射学实践，2020，35（12）：1537-1541.
17	SHEN C， YU N， WEN L， et al. Risk stratification of acute pulmonary embolism based on the clot volume and right ventricular dysfunction on CT pulmonary angiography［J］. Clin Respir J，2019，13（11）：674-682.
18	RODRIGUES A C， GUIMARAES L， GUIMARAES J F， et al. Relationship of clot burden and echocardiographic severity of right ventricular dysfunction after acute pulmonary embolism［J］. Int J Cardiovasc Imaging，2015，31（3）：509-515.
19	杨波，施婷艳，茅杰熙，等. MSCTPA右心功能参数与急性肺栓塞严重程度的相关性分析［J］. 医学影像学杂志， 2023， 33（1）：141-144.
20	ABDELWAHAB H W， ARAFA S， BONDOK K， et al. Relationship between clot burden in pulmonary computed tomography angiography and different parameters of right cardiac dysfunction in acute pulmonary embolism［J］. Cardiovasc J Afr，2020，31（1）：21-24.

		10年放射科医师		χ²值	P值
		+	-	χ²值	P值
DL-CNN（fs）	+	107	89	19.653	< 0.001
	-	0	18	19.653	< 0.001

肺栓塞分布	敏感度（%）	特异度（%）	AUC	95%CI	P值
中心肺动脉	100	16.80	0.584	0.508 ~ 0.661	0.033
外周肺动脉
R1	86.50	76.40	0.815	0.753 ~ 0.876	< 0.001
R2	77.10	73.20	0.752	0.684 ~ 0.820	< 0.001
R3	82.90	82.10	0.814	0.750 ~ 0.877	< 0.001
R4	87.50	67.90	0.777	0.713 ~ 0.841	< 0.001
R5	84.50	76.90	0.807	0.744 ~ 0.870	< 0.001
R6	86.20	77.20	0.817	0.754 ~ 0.879	< 0.001
R7	95.20	73.50	0.844	0.790 ~ 0.898	< 0.001
R8	60.80	87.10	0.740	0.665 ~ 0.815	< 0.001
R9	87.10	76.40	0.818	0.756 ~ 0.879	< 0.001
R10	0	100	0.500	0.420 ~ 0.580	1
L1+3	75.00	79.50	0.772	0.702 ~ 0.843	< 0.001
L2	83.90	73.70	0.788	0.721 ~ 0.855	< 0.001
L4	64.60	81.90	0.732	0.655 ~ 0.810	< 0.001
L5	93.40	62.70	0.781	0.718 ~ 0.844	< 0.001
L6	75.40	77.70	0.766	0.619 ~ 0.841	< 0.001
L7+8	77.60	74.40	0.760	0.693 ~ 0.828	< 0.001
L9	75.00	83.10	0.791	0.718 ~ 0.863	< 0.001
L10	85.70	65.30	0.755	0.687 ~ 0.823	< 0.001

血栓负荷及心血管参数	DL-CNN（fs）
血栓负荷及心血管参数	r值	P值
Mastora score	0.854	< 0.001
Qanadli score	0.867	< 0.001
主肺动脉直径（cm）	0.308	< 0.001
升主动脉直径（cm）	-0.113	0.100
主肺动脉/升主动脉直径比	0.377	< 0.001
右/左心室最大横径比	0.549	< 0.001
右/左心室最大面积比	0.559	< 0.001
上腔静脉面积（cm²）	0.118	0.086
下腔静脉面积（cm²）	0.446	< 0.001
右室壁舒张期厚度（cm）	-0.101	0.139
室间隔舒张期厚度（cm）	-0.047	0.491
脊柱室间隔角（°）	0.406	< 0.001

[1]	胡希,李艳,刘洋. 深度学习在辅助生殖技术领域的应用进展[J]. 实用医学杂志, 2024, 40(7): 893-897.
[2]	向佳,陈茜彤,卢颖欣,郑思捷,黄俊杰,陈莹莹,黄绥丹,陈淮. 基于深度学习在弥漫性囊腔性肺疾病分类中的应用[J]. 实用医学杂志, 2024, 40(19): 2747-2754.
[3]	李欣雨,吴洋,张红梅,尹立雪,彭博,谢盛华. 深度学习技术在超声心动图图像质量控制中的应用[J]. 实用医学杂志, 2024, 40(1): 108-113.
[4]	罗刚泮思林乔思波庞善臣陈涛涛孙玲玉董玉坤. 深度学习技术在胎儿超声心动图图像自动识别中的应用[J]. 实用医学杂志, 2022, 38(14): 1830-1833.