MSCT孤立肺小結節的神經網絡模型的應用研究分析*

1.廣州市番禺中心醫院放射科（廣東 廣州 511400）

2.華南理工大學計算機學院（廣東 廣州 510640）

3.廣州市番禺區市橋醫院外科（廣東 廣州 511400）

何俊詩1 梁 鵬2 羅英華3 史瑞雪1姬智艷1 陳漢威1 黃 益1

MSCT孤立肺小結節的神經網絡模型的應用研究分析*

1.廣州市番禺中心醫院放射科（廣東 廣州 511400）

2.華南理工大學計算機學院（廣東 廣州 510640）

3.廣州市番禺區市橋醫院外科（廣東 廣州 511400）

何俊詩1梁 鵬2羅英華3史瑞雪1姬智艷1陳漢威1黃 益1

目的 研究神經網絡模型(SVM)在MSCT孤立肺小結節(SPN)良惡性判斷中的應用。方法收集2000例經病理證實的SPN臨床表現及影像學特征，采用SPSS 13.0統計學軟件將各觀察指標進行多因素回歸分析，與SPN病理相關指標作為SVM分析參數，對1500例進行訓練，另對500例進行預測，對照病理結果分析。結果與病理對照，500例SVM中良性正確預測238(98.5%)例，錯誤預測4(1.5%)例；惡性正確預測250(97%)例，錯誤預測8(3%)例。結論SVM能有效地對SPN良惡性進行較精確的預測，對醫生正確診斷有很好的幫助。

孤立性肺小結節；MSCT；計算機；神經網絡模型

對孤立性肺小結節(SPN)定性診斷的研究一直是影像學診斷的熱點和難點。SPN螺旋CT征象較多，每一征象其良惡性相關的程度不同。本研究針對這方面，分別收集六家大醫院近年的MSCT孤立肺小結節的征象和臨床資料，采用SPSS 13.0統計學軟件將各觀察指標進行多因素回歸分析，建立神經網絡模型（SVM），并與病理結果進行分析比較。

資料及方法

1.1 一般資料2007年1月-2010年8月六家大醫院收治的肺孤立結節(SPN)患者，均進行胸部螺旋CT或HRCT掃描。收集2000例肺孤立結節的臨床表現及影像學特征。其中男1074例,女926例；年齡31～73歲,平均52.3歲。惡性1038例,良性962例。

1.2 觀察指標（1）性別；(2)年齡：>40歲，≤40歲；（3）位置：上葉、中/舌葉、下葉；（4）形態：不規則、圓形、類圓形；（4）邊緣：模糊、清晰；（5）分葉：淺分葉、深分葉、無分葉（6）棘狀突起：無突起、有突起；（7）毛刺：無毛刺、短毛刺、長毛刺；（8）血管集束：無集束、有集束；（9）衛星灶：有衛星灶、無衛星灶；（10）胸膜凹陷：無凹陷、有凹陷；（11）密度：不均勻、均勻；（12）空泡征：無空泡、有空泡；（13）空洞位置：無空洞、近心端、中心、遠心端；（14）鈣化形態：斑片狀、細小點狀、無鈣化；（15）鈣化位置：無鈣化、彌漫性、偏心、中心；（16）臨床癥狀：無癥狀、咳嗽咳痰、胸痛、胸痛咳嗽咳痰；（17）病理：惡性、良性。對上述觀察指標進行量化分級賦值。見表1。

1.3 各觀察指標的比例及量化賦值見表2。

1.4 統計學處理采用SPSS 13.0統計學軟件將各觀察指標進行多因素回歸分析，計算出回歸系數B、標準誤差、F值、t值、顯著性概率，找出與SPN良惡性相關的觀察指標進行下一步分析。

1.5 神經網絡(SVM)預測采用SVM對1500例進行訓練，另對剩下的500例進行預測，與病理結果進行對比分析。

結 果

方差分析顯示，該模型的F值是643.772，顯著性概率<0.001，表示回歸極其顯著，即觀察指標與SPN病理結果之間相關性很大。

回歸系數結果顯示， SPN良惡性與年齡(X1)、分葉(X6)、位置(X3)、密度(X12)、空泡征(X13)等指標顯著負相關，其回歸系數分別是-0.108、-0.555、-0.077、-0.137、-0.251，與形狀(X4)、邊緣(X5)、血管集束(X9)、衛星灶(X10)、胸膜凹陷(X11)等指標顯著正相關，其回歸系數分別是0.039、0.161、0.041、0.027、0.036。表示上述觀察指標與SPN的良惡性密切相關。

2.3 神經網絡(SVM)預測根據上述對觀察指標的分析，我們對顯著相關的指標進行預測訓練：年齡(X1)、位置(X3)、形狀(X4)、邊緣(X5)、分葉(X6)、血管集束(X9)、衛星灶(X10)、胸膜凹陷(X11)、密度(X12)、空泡征(X13)等。

SVM模型的輸入是觀察指標的集合：

經SVM模型預測后，結果y=0，則表示該病例是惡性；如果y=1，則表示該病例是良性。根據預測結果與病理結果進行比較，得到SVM模型預測的準確率和錯誤率（如表3）。

用1500例病例進行SVM模型訓練，剩下的500例病例（258例惡性、242例良性）用于預測實驗。SVM的分類結果如表4所示，其中良性正確預測的是238 (98.5%)例，錯誤預測的是4(1.5%)例；惡性正確預測的是250(97%)例，錯誤預測是8(3%)例。

討 論

SPN螺旋CT征象較多，每一征象其良惡性相關的程度不同，文獻報道多種鑒別方法。李復等[1]采用最大似然法對SPN的HRCT影像學征象進行分類統計分析，將其各種征象轉化為記分值，以數值的大小來判定肺結節所屬的類型。周旭輝等[2]采用正向概率判別法進行肺結節病灶常見的CT征象進行分析總結，并轉化為概率值后判定結節的性質。Wormanns D.等[3]對SPN的CT征象進行X2檢驗分析。魏穎等[4]研究肺癌感興趣區域(ROI)的特征提取與分類方法，采用概率分布可分性對原始提取特征進行特征選擇，利用SVM對選擇的特征進行定量描述，采用特征量化參數對Mahalanobis距離進行加權改進。

表1 SPN相關觀察指標量化賦值

表2 各觀察指標的比例及量化賦值

本組前期研究[5]的“肺孤立小結節良惡性鑒別系統”中，由于樣本量相對少，對觀察指標的分析有一定的影響。本組本次大樣本資料研究顯示，各種觀察指標中，其與SPN良惡性相關非線性關系，且某些指標相關性不大。故本組研究采用SPSS 13.0統計學軟件將各觀察指標進行多因素回歸分析，計算出回歸系數B、標準誤差、F值、t值、顯著性概率，找出與SPN良惡性相關的觀察指標進行神經網絡（SVM）預測分析。發現SPN良惡性與年齡(X1)、分葉(X6)、位置(X3)、密度(X12)、空泡征(X13)等指標顯著負相關，與形狀(X4)、邊緣(X5)、血管集束(X9)、衛星灶(X10)、胸膜凹陷(X11)等指標顯著正相關，表示上述觀察指標與SPN的良惡性密切相關。相關系數的絕對值越大，關系越密切，從表3可以看出，分葉(X6)、空泡征(X13)、邊緣(X5)、密度(X12)的相關系數的絕對值較其他指標大，表示其與SPN的良惡性關系越密切，這與文獻報道較接近[1、2、6]。本次研究發現各觀察指標與SPN良惡性相關非線性關系，進一步修正前期研究的結果，使本次預測分析更準確。

表3 預測結果

本組研究采用神經網絡模型――支持向量機(Support Vector Machines -SVM)進行SPN良惡性預測。神經網絡模型是近年來在模式識別與機器學習領域中出現的新工具，它在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，并能夠推廣應用到函數擬合等其他問題中。目前在醫學領域中已在胸部診斷、肺癌診斷、胃癌診斷、肝癌CT診斷等多方面應用神經網絡模型輔助診斷[7-10]，隨著數字圖像處理技術、模式識別技術以及機器學習技術的不斷成熟,SVM的應用,不僅在一定程度上給臨床醫生一定的指導,而且減少了低年資醫生漏診、誤診的發生,提高了診斷正確率。

本組研究用1500例病例進行SVM模型訓練，剩下的500例病例（258例惡性、242例良性）用于預測實驗。SVM的分類結果中良性正確預測的是238(98.5%)例，錯誤預測的是4(1.5%)例；惡性正確預測的是250(97%)例，錯誤預測是8(3%)例。本研究MSCT孤立肺小結節神經網絡模型預測實驗表明，SVM能夠有效地對SPN良惡性程度進行精確預測，幫助醫生對觀察指標進行判斷，能有效提高診斷正確率。

1.李復,王淼淼,伍建林,等. 肺內常見的孤立性肺結節鑒別診斷方法的探索研究——應用最大似然法[J]. 中國CT和MRI雜志,2008,6(2):43-46.

2.周旭輝,李子平,譚國勝,等. 高分辨率CT正向概率判別法在肺結節鑒別診斷中的應用研究[J]. 中華放射學雜志,2005,39(1):29-33.

3.Wormanns D.Diederich S.Characterization of Small Pulmonary Nodules by CT[J]. Eur Radiol,2004,14(8):1380-1383.

4.魏穎,郭薇,孫月芳. 面向肺癌CAD系統的感興趣區域特征選擇與分類算法[J]. 信息與控制,2008,36(4):445-452+458.

5.何俊詩,羅英華,郭桂明,等. 肺孤立小結節良惡性鑒別診斷計算機應用軟件分析[J].中國誤診學雜志,2009,25(9):6103-6104.

6.李月河,趙志梅,全松石,等. 多層螺旋CT同層動態增強掃描對孤立性肺結節的診斷意義[J].臨床放射學雜志,2007,26(3):259-262.

7.苗延巍,伍建林. 人工神經網絡在醫學影像領域的應用進展[J].實用放射學雜志,2008.24(3):404-407.

8.楊鈞,周新華,馬大慶. 人工神經網絡及其在胸部放射學中的應用[J].中華放射學雜志,2004,38(2):96-98.

9.韓小宏,毛巧霞,李曉春,等. 基于生物信息學方法的血清標記物模型在胃癌診斷中應用[J]. 中國癌癥雜志,2010,20(5):364-368.

10.張波,張治英,徐德忠,等. 人工神經網絡肝癌CT影像輔助診斷模型的建立.實用放射學雜志[J]. 2006,22(9):1079-1082.

The Study of Application Analysis of SVM in SPN During MSCT Scanning*

HE Jun-shi1, LIANG Peng2, LUO Ying-hua3, et al. 1.Department of Radiology, Central Hospital, Panyu District, Guangzhou 511400; 2.Computer Institute, South China University of Technology Guangzhou 510640; 3.Surgery Department, Shiqiao Hospital, Panyu District, Guangzhou 511400

ObjectiveTo study the application of SVM in differential diagnosis of benign and malignant SPN.MethodClinical and imaging characteristics of 2000 SPN cases confirmed by pathology were collected. The SPSS 13.0 system was applied to analyze the data Multiple Regression Analysis on all observed indexes. We used pathological relative index of SPN as analysis parameters of SVM.1500 cases were trained and 500 were predicted. It was analyzed comparing with the pathological results.ResultsResult of 500 SVM cases were correlated with pathology, of which correct prediction were 238 cases (98.5%) and false prediction 4 cases (1.5%) in benign while correct prediction were 250 cases (97%) and false prediction 8(3%) in malignant respectively.ConclusionsSVM can accurately forecast benign and malignant SPN and it is very helpful to doctor’s accurate diagnosis.

SPN; MSCT; Computer; SVM

R563；R814.4

A

廣州市番禺區科技局（編號：2009-Z-92-1）

10.3969/j.issn.1672-5131.2011.06.013

何俊詩，女，醫學影像專業，副主任醫師，主要研究方向為醫學影像診斷。

何俊詩

2011-10-21