基于CheXNet輔助診斷系統在肺部常見病診斷中的應用研究

竇瑞欣 黃鵬 白永明 張曉曦 李瓊

肺部腫瘤和肺部感染是最常見的兩種肺部疾病，發病率及死亡率都逐年升高，準確診斷與快速治療尤為重要。胸部X線（CXR）檢查是篩查呼吸系統疾病的重要方式之一，因輻射劑量底且便于移動，廣泛應用于體檢、入院篩查和危重癥床旁檢查［1］，CXR檢查結果中正常者占多數，借助人工智能（artificial intelligence，AI）及 計 算 機 輔 助 診 斷（computeraided diagnosis，CAD）技術，可以從大量檢查中篩選出少量異常者，對肺癌、肺炎和肺結節等單一疾病的CXR自動診斷已有研究［2］，但在實際臨床場景中對多種疾病自動分類診斷的研究目前未見報道。本研究使用CheXNet對CXR進行多分類自動診斷，探究對肺部腫瘤和肺部感染進行胸部X線輔助診斷的應用價值及臨床意義。

方 法

1.研究對象

回顧性分析2018年1月—2019年9月在我院經胸部CT和臨床確診的肺部常見病患者。納入標準：①肺部常見病患者；②所有患者均接受胸部X線和胸部CT檢查，并有手術病理證實或臨床明確診斷。排除非甲級胸部X線片及未確診的肺部常見病的患者。共納入100例，肺部腫瘤50例，肺部感染50例，其中普通X線后前位投照71例，床旁前后位投照29例，男63例，女37例，45~80歲，平均62歲。

2.研究方法

2.1 模型

采用CheXNet神經網絡，使用來自ImageNet上已經訓練的權重初始化模型，對網絡的最后一層進行修改，用Sigmoid非線性激活函數作為輸出層代替全連接層，采用SGD+Momentum的優化算法代替CheXNet中的Adam。

2.2 數據

使用由NIH Clinical Center（https：//nihcc.app.box.com/v/ChestXray-NIHCC）發布的全球最大的公共胸部X線數據集進行模型訓練和驗證，該數據集包含了30 805個患者112 120幅正位胸部X線圖像，每一副圖像都對14種胸肺部疾病進行標注，隨機的對數據集進行劃分，分別用于模型的訓練集（97 456幅圖像）、驗證集（7 341幅圖像）。將圖像輸入模型之前，將所有圖像統一下采樣為224×224的分辨率，并根據ImageNet訓練集中的平均值和標準差對所有胸部X線圖像進行標準化，采用隨機水平翻轉對訓練數據進行數據擴張。

2.3 訓練

使用小的批處理（batch=16）和初始學習率（lr=0，001）訓練模型，訓練過程中每當損失函數的值下降10倍自動保存模型。

2.4 設備

普通胸部X線采用Philips DR后前位投照；床旁胸部X線采用西門子移動X線機前后位投照。由兩位高年資放射醫師分別采用直接讀片和CheXNet模型的輔助，獨立對CXR進行診斷，以胸部CT和臨床確診為金標準。

3.統計學分析

利用SPSS 22統計學軟件，計數資料以n描述，對所有數據行配對資料McNemar卡方檢驗及Kappa一致性檢驗，P＜0.05為差異有統計學意義，Kappa＞0.75為一致性較好。

結 果

2名醫師直接讀片對肺部腫瘤診斷分別檢出41例和40例，漏診為4例和5例，誤診均為5例，精確率（precision）均為0.89，召回 率（recall）為0.91和0.89；借助CheXNet輔助對肺部腫瘤診斷分別檢出48例和49例，均無漏診，誤診為2例和1例，準確率（accuracy）為0.96和0.97，精確率（precision）為0.96和0.98，召回率（recall）均為0.96。

2名醫師直接讀片對肺部感染診斷分別檢出40例和39例，漏診均為6例，誤診為4例和5例，精確率為0.91和0.89，召回率均為0.89；借助CheXNet輔助對肺部感染診斷分別檢出48例和48例，漏診均為0，誤診均為2例，精確率均為0.96，召回率為0.96和0.98。詳見表1。

表1 直接讀片與CheXNet輔助診斷的準確率比較

直接讀片和CheXNet輔助下對肺部腫瘤和肺部感染的檢出率存在差異，且具有統計學意義（χ2=5.005，χ2=5.316，P＜0.05，表2）。2名 醫 師 在CheXNet輔助下對肺部腫瘤和肺部感染的檢出率與金標準的一致性高于直接讀片與金標準的一致性，差異具有統計學意義（Kappa=0.939，Kappa=0.959，P＜0.05，表3）。

表2 直接讀片與CheXNet輔助診斷的漏診率誤診率比較

表3 CheXNet輔助診斷與金標準的一致性比較

利用神經網絡輸出可視化技術Grad-CAM生成預測熱圖對病灶進行突出顯示，可以看到預測的病灶范圍與實際病灶范圍基本吻合，詳見圖1~4。

圖1 雙肺門影增大，左下肺感染

圖2 右肺中下野團塊影

圖3 左下肺野團塊影

圖4 右肺門巨大團塊影

討 論

本研究使用基于CheXNet神經網絡模型，該模型由Andrew等［3］于2017年提出，使用ChestX-ray14數據集訓練的121層深度卷積神經網絡［4］。CheXNet采用DenseNet結構，并將網絡最后的全連接層替換為一個二進制輸出，再連接一個Sigmod函數輸出疾病的概率值。DenseNet是最常見卷積神經網絡之一，大量應用于機器視覺領域，CheXNet采用加權二分類交叉熵及Adam優化算法［5］，使得網絡性能大大提高。本研究將CheXNet的單一輸出擴展為多維輸出，并在真實的臨床場景中對肺部腫瘤和肺部感染進行自動識別。近年來，相關學者對于卷積網絡的視覺可解釋性進行了很多探索，本研究利用Grad-CAM［6］輸出可視化技術，對不同類別的特征權重加權求和得到熱圖，通過熱圖可以對網絡模型分類進行可視化的解釋。另外，Kohli等［7］已經證明在不同器官中進行深度學習算法的研究是具有普遍適用性的，在非造影劑頭部CT的自動診斷研究中，最終算法具有90%（45/50）的靈敏度，85%（68/80）的特異度以及0.91的AUC，可用于檢測出血、腫塊和腦積水，該模型可以很好地遷移和應用到其他系統和臟器上［8］。

肺部腫瘤和肺部感染是最常見的兩種肺部疾病，據WHO估計，全世界2/3的胸部X線被檢者缺乏有效的診斷［9］，主要歸因于缺乏解讀胸部X線的放射診斷醫師和專家，甚至有些地方雖然配備了先進的X線機，反而因誤診或漏診導致死亡率不降反升［10］。CXR輻射劑量低、移動方便，仍是呼吸系統疾病篩查的首選影像學檢查方式［11］，但檢查存在大量正常者，對其進行自動分類診斷對減輕放射診斷工作量及實施臨床決策都至關重要［3，12］。在本研究中，2名高年資放射診斷醫師在CheXNet的輔助下對于肺部腫瘤和肺部感染診斷的準確度均高于直接讀片。對于肺部腫瘤和肺部感染的鑒別診斷，2名放射醫師在CheXNet輔助下的準確度也均高于直接讀片。漏診和誤診在臨床診療過程中受到極大關注，尤其是漏診很容易產生醫療糾紛。本研究中直接讀片對肺部感染的漏診率多于肺部腫瘤，同時肺部感染的檢出率也低于肺部腫瘤，經過與醫學影像專家分析，導致這種結果的原因主要有3個方面。①靠近雙肺內側的肺部腫瘤和肺部感染，由于心臟、大血管及縱隔的重疊，導致病變難以分辨而易漏診。②由于肋骨前后重疊，若病灶的密度和范圍都與肋骨相近時亦容易導致漏診。③老年人肺感染愈后可能發展為肺實變，其密度和形態與肺部腫瘤相近而易誤診。因此，還需要收集更多相關的訓練樣本優化模型，提高模型的泛化能力。另外，人工和計算機對胸部X線圖像閱覽的方式有很大區別，放射診斷醫師一般是以雙側肺野-縱隔-肋骨-胸壁軟組織這樣的順序進行閱片，不同的醫師有各自不同的閱片順序，機械式的重復勞動又致漏診和誤診時有發生，而計算機不知疲倦，且CheXNet卷積神經網絡面對每一幅胸部X線圖像都會無差別地從圖像的第一個像素識別到最后一個像素，因此，借助CheXNet時，對肺部腫瘤和肺部感染的漏診數與誤診數均有明顯下降，這與神經網絡模型進行預測時具有較高的靈敏度和假陽性率相符。

本研究隨機抽樣的29例床旁胸部X線檢查，均為肺部感染病例，2名放射醫師直接讀片診斷時無漏診，但誤診的共9例病例中有3例是床旁檢查。床旁CXR投照為了避免輻射污染，投照條件都會低于普通CXR檢查，且由于臥床患者不能很好地配合，X線投照距離和角度等參數不能做到統一，以致圖像變形、灰階不一致，尤其是對需要反復多次復查床旁CXR的患者，極易導致診斷結果過于嚴重，甚至誤診［13］。借助CheXNet診斷時，上述情形對于模型影響甚微，既無漏診病例亦無誤診病例。這可能是由于危重癥患者因長期臥床或心肺功能較差，容易引起墜積性肺炎或肺水腫等，故相關肺部感染性疾病較多。同時，CheXNet的訓練集ChestX-ray14中存在大量已經標簽化的床旁X線圖像，卷積神經網絡從訓練集中學習相關的特征時不會受到圖像變形、扭曲或亮暗的影響，因此2名高年資醫師借助CheXNet輔助診斷的檢出率、漏診率及誤診率都優于直接讀片。

輔助診斷在臨床應用的基本要求是與臨床場景和流程整合，國內外研究人員進行過很多探索，均認為把輔助診斷結果通過影像歸檔與通信系統（picture archiving and communication system，PACS）以文字形式甚至是結構化的影像學報告返回到臨床是較好的解決方案。在臨床場景中，肺部腫瘤和肺部感染的鑒別診斷在圍手術期至關重要。肺是所有惡性腫瘤最主要的轉移靶器官，約30%~40%的惡性腫瘤在自然病程中發生肺轉移。據尸檢報告，幾乎1/3死于癌癥的患者伴有肺轉移。圍手術期的肺部感染是普遍存在的醫院感染問題，通過醫學影像學確定感染的程度和進程是臨床必不可少的手段之一。醫院感染的危害不僅表現在增加患者發病率和病死率，增加患者的痛苦及醫務人員工作量，降低病床周轉率方面，還給患者及社會造成重大的經濟損失。因此，快速準確地對肺部腫瘤和肺部感染進行診斷及鑒別診斷對臨床施治策略影響重大。本研究中2名放射醫師在CheXNet輔助下對上述2種肺部常見病的檢出率均高于直接讀片，將診斷結果以簡短文字迅速返回到臨床，能明顯提高臨床工作效率。

本研究還存在一些局限性：首先，我們對模型進行訓練的樣本數據來源于公共數據，有必要使用來自不同設備的實際胸部X線圖像數據進行訓練和研究。其次，在測試期間僅向診斷醫師和模型提供了正位胸部X線圖像，但高達15%的準確診斷需要側位像［14］。最后，診斷醫師和模型都不允許參考患者性別和年齡，以及追溯患者病史，這會降低放射診斷醫師在解釋胸部X線圖像時的診斷效能，例如有發燒、咳嗽及吸煙史的患者，在鑒別診斷時會更有幫助［15-16］。

綜上所述，利用基于CheXNet神經網絡模型的輔助診斷系統可以對肺部常見病進行肺部腫瘤和肺部感染的分類輔助診斷，有利于提高放射診斷的工作效率，有助于臨床快速決策和施治。