基于胸片的遷移學習對活動性肺結核與社區獲得性肺炎的鑒別診斷

[Abstract］Objective ∵ Toexplore the value of the model constructed by transfer learning based on chest X-rays in the diferential diagnosisforactivepulmonarytuberculosis（APTB）andcommunity-acquiredpneumonia（CAP）．Methods：Chest X-raysof715APTBpatientsand513CAPpatientswereretrospectivelycolectedandrandomlydividedintoatraining set（614 cases），a validation set（369 cases）and atest set（245 cases）according to the 5：3：2 ratio．Four pre-training networksincludingVGG16，Xception，ResNet5OandMobileNetwereusedfortransferlearning.Afterthetraining，themodels withthehighestacuracyofthefourpre-trainingnetworksinthevalidationsetwereselectedastheoptimalmodels，ndthe diferentitiondegree，calibrationdegreeandnetbenefitofthefouroptimal modelsinthetestsetwereevaluated.Results： Afterthetraining，VGG16andResNet5OfittdwellwhileXceptionandMobileNethadoverfitngphenomena.Themodels withthehighestaccuracyofthefournetworksinthevalidationsetwereappliedtothetestset，andtheresultsshowed thatVGG16，ResNet5O，andMobileNetoptimalmodelshadhigherAUCscomparedtoXceptionoptimalmodelandradiologist model（all Plt;0.05 ）.The calibration curve showed that VGGl6，ResNet5O，and MobileNet optimal' models and radiologist modelhadgoodcalibration.Decisioncurveanalysisshowedthattheoptimalmodelsofthefournetworkswerewithinalarge probabilitythresholdrange，whichmadethepatientsnetbenefit，andtheoptimalmodelofVGG16madethepatientsnet benefitthemost.Conclusions：TransferlearningtechnologyhashighclasificationperformanceinidentifyingAPTBand CAP in chest X-rays，VGG16 has the highest performance among the four kinds of pre-training networks.

[Key words] Tuberculosis，pulmonary;Community-acquired pneumonia; Convolutional neural networks

結核病死亡人數在全球傳染性疾病中位居第1。2023年約1080萬人罹患結核病，且連續4年呈增長趨勢[1]。結核分枝桿菌病原學陽性是診斷結核病的金標準，但標本采集方法及質量直接影響檢測結果和培養分離率，因此誤診率較高。肺是結核病最常受累器官，胸部X線片（胸片）性價比高且操作簡單快速[2]，在大規模篩查時對活動性肺結核（activepulmonarytuberculosis，APTB）的評價敏感度高，但特異度較低[3]，常需與社區獲得性肺炎（community-acquired pneumonia，CAP）相鑒別[4]。不典型APTB的胸片特異度更低，尤其在免疫損害[5]、糖尿病或行不規范抗結核治療的人群中[6]。不同放射科醫師對兩者的鑒別效能不同，部分結核高負擔國家或偏遠地區仍缺乏高水平的影像醫師解讀胸片7]近年來，深度學習技術在醫學影像領域展現出較大潛力[8]，其中卷積神經網絡（convolutional neuralnetwork，CNN）在影像診斷中發揮著重要作用。以往研究僅采用VGG16網絡進行訓練[3]，本研究進一步基于4種經典預訓練網絡探討遷移學習技術對APTB與CAP的鑒別診斷價值。

1資料與方法

1.1一般資料

回顧性分析中醫藥大學附屬醫院2015年3月至2021年12月收治的APTB和CAP患者。納人標準： ① 經病原學確診為APTB或CAP； ② 均攝胸片，且有胸部CT掃描圖像作為補充。排除標準： ① 胸片圖像質量差； ② 胸片存在較多體外高密度異物影； ③ 嚴重的肺間質纖維化。APTB影像診斷依據《肺結核活動性判斷規范及臨床應用專家共識》9，CAP影像診斷依據《社區獲得性肺炎診斷和治療指南》[10]

最終納人1228例，男670例，女558例；年齡3～89歲，平均（ 42.35±19.39 ）歲。其中APTB715例（APTB組），CAP513例（CAP組）。APTB組中有痰液標本487例，支氣管沖洗或肺泡灌洗液標本73例，經皮穿刺活檢標本68例，支氣管鏡標本63例，手術標本24例；CAP組中肺炎支原體156例，肺炎鏈球菌121例，肺炎衣原體53例，流感嗜血桿菌46例，肺炎克雷伯菌18例，金黃色葡萄球菌11例，流感病毒45例，副流感病毒36例，呼吸道合胞病毒24例，毛霉菌2例，曲霉菌1例。

1.2數據集劃分

將所有樣本按照 5：3：2 比例隨機分為訓練集（614例）驗證集（369例）及測試集（245例）。其中訓練集APTB357例，CAP257例；驗證集APTB214例，CAP155例；測試集APTB144例，CAP101例。

測試集患者采用不重復隨機數重命名，由2位分別具有5、8年診斷經驗的影像醫師采用盲法對其診斷，結果不一致時經討論決定，并與CNN結果對比。

1.3 CNN構建

采用Python（版本：3.7.6）編程語言將所有胸片大小調整至 224×224 像素，并將灰度值歸一化至0～1。采用Keras（使用TensorFlow后端，版本：2.3.1）深度學習框架構建CNN模型。選擇ImageNet數據集上的4種經典預訓練網絡———VGG16、Xception、ResNet50及MobileNet進行遷移學習。

在上述預訓練網絡的卷積基后方添加分類器模塊用于APTB與CAP的分類，其結構及超參數設置采用網格搜索確定，使用Sigmoid激活函數用于輸出患APTB的概率。損失函數采用二分類交叉熵，評價指標采用準確率。批尺寸為20，共訓練100個循環

1.4統計學分析

采用SPSS25.0軟件分析數據。計數資料以例 （%） 表示，2組比較行 χ² 檢驗。服從正態分布的計量資料以 表示，2組比較行獨立樣本t檢驗。4種預訓練網絡在訓練完成后分別選擇在驗證集準確率最高的模型作為最優模型，并計算該模型在測試集的準確率。繪制4種網絡最優模型在測試集的ROC曲線，計算AUC、敏感度、特異度、陽性預測值、陰性預測值及F1得分評價模型的區分度。4種模型AUC的比較采用DeLong檢驗。Bootstrap重復抽樣1O00次用于繪制4個模型的校準曲線。采用決策曲線分析評價模型的凈獲益。以 Plt;0.05 差異有統計學意義。

2結果

2.12組一般資料比較

2組性別構成比及年齡差異均無統計學意義（均Pgt;0.05 （表1）。

表12組患者的一般資料比較

注：APTB為活動性肺結核，CAP為社區獲得性肺炎。‘為χ² 值，為t值。

2.2 CNN訓練

4種網絡訓練100個循環的準確率和損失變化顯示，VGG16和ResNet50在訓練集與驗證集中的性能相近，表明網絡擬合、性能和泛化能力較好。Xception和MobileNet在訓練集與驗證集模型訓練開始時便出現分離，訓練集準確率明顯大于驗證集，即出現過擬合（圖1）。

VGG16第47次循環時在驗證集準確率最高，為0.921，對應的二分類交叉熵為0.974；訓練集準確率為0.956，對應的二分類交叉熵為0.422。Xception在第38次循環時在驗證集準確率最高，為0.836，對應的二分類交叉熵為41.289；訓練集準確率為0.813，對應二分類交叉熵為 43.707 。ResNet50在第46次循環時在驗證集準確率最高，為0.959，對應的二分類交叉熵為1.587；訓練集準確率為0.948，對應的二分類交叉熵為 1.756 。MobileNet在第81次循環時在驗證集準確率最高，為0.869，對應的二分類交叉熵為5.354；訓練集準確率為0.998，對應的二分類交叉熵為0.002。

2.3 模型驗證及評價

將上述4種網絡在驗證集準確率最高的模型應用于測試集，其中，VGG16、ResNet50和MobileNet的AUC均高于Xception，也均高于影像醫師，差異均有統計學意義（均 Plt;0.05 （表2；圖2，3）。

表24種網絡的最優模型及影像醫師在測試集的性能

校準曲線顯示，VGG16、ResNet50及MobileNet最優模型的校準曲線靠近對角線，表明預測值與真實值接近，即校準度好，Xception最優模型的校準度較差。影像醫師的校準曲線亦靠近對角線，表明校準度好（圖4）。

決策曲線分析表明，4種網絡的最優模型及影像醫師均可在較大概率閾值范圍內使患者凈獲益（凈獲益 總診斷正確率-總診斷錯誤率），即選擇不同概率閥值時均可使所有患者凈獲益。其中VGG16的最優模型使患者的凈獲益最大（圖5）。

2.4胸片在VGG16卷積基輸出的特征可視化（圖6，7）

圖6a及圖7a分別為APTB和CAP患者的胸片，圖6b及圖7b分別為2張胸片通過VGG16卷積基最后一個最大池化層提取的特征圖，特征圖大小為（寬 × 高 × 通道：7像素 ×7 像素 ×512 像素），后展平輸入分類器模塊用于圖像分類。最終VGG16最優模型預測圖6a為APTB的概率為1.000，圖7a為APTB的概率為0.068。

3討論

ImageNet數據集包括140萬張標記圖像，共有1000個不同類別的自然圖像。CNN在該大型數據集學到特征的空間層次更通用，可重復應用，在處理計算機視覺問題中具有很強的可移植性，即遷移學習。新分類任務和原始自然圖像分類任務可不同，如上述1000個不同類別中并不包括胸片，但CNN仍能獲得很好的分類性能。因為遷移學習用于解決本研究的小型圖像數據集的分類任務非常高效，在中央處理器中即可完成訓練。表明遷移學習技術在大量自然圖像上學到的底層特征也有助于醫學圖像的分類。

本研究使用ImageNet數據集的4種經典預訓練網絡VGG16、Xception、ResNet50及MobileNet的卷積基提取胸片特征。其中VGG16結構簡單且特征表示強大，初學者易理解。Xception將標準卷積分解為深度卷積和逐點卷積，大幅降低了計算量并提升了效率，但其架構因與傳統CNN不同需研究者花費更多精力理解和優化，尤其在小型數據集上。ResNet50解決了深層網絡中的梯度消失問題，其殘差塊使網絡更有效地學習醫學影像圖像的復雜特征，也有助于緩解過擬合問題；但其較大的參數量對計算要求更高。MobileNe專為移動和嵌人式設備優化，使用深度可分離卷積顯著減少了參數量和計算量，可在較低端硬件快速完成訓練，適合在資源受限環境中運行，但分類性能要遜于其他模型。上述4種網絡各有優缺點，研究者可根據臨床實際需求開展實驗。本研究中4種預訓練網絡的最優模型在鑒別APTB與CAP胸片任務中均獲得較高的性能，其中VGG16、

圖44種網絡最優模型及影像醫師在測試集的校準曲線注：VGG16、ResNet50及影像醫師校準曲線有重疊圖54種網絡最優模型及影像醫師的決策曲線分析注：AI代表所有患者為活動性肺結核，None代表所有患者為社區性獲得性肺炎

ResNet50和MobileNet最優模型在測試集的區分度及校準度均較高，且可在較大概率閾值范圍使患者凈獲益，其中VGG16最優模型高于其他模型和影像醫師。

CNN的準確率受多種因素影響，其中超參數對其影響最大。本研究中在預訓練模型的卷積基后方添加分類器模塊的超參數由網格搜索確定，是在指定的超參數選擇范圍檢索出最優組合，構成網絡的分類器模塊分別添加在4個預訓練網絡的卷積基后方，僅幾分鐘就能完成100個循環的訓練。其中

VGG16和ResNet50在鑒別APTB與CAP胸片數據集中擬合良好，無明顯過擬合，同時最優模型在測試集中均獲得了較高的分類性能，VGG16最優模型的AUC稍高于ResNet50，但差異無統計學意義。2個模型及影像醫師的校準曲線幾乎與對角線重合，表明校準度均較高。在后續的決策曲線分析中，VGG16最優模型的決策曲線均高于其他網絡和影像醫師，表明VGG16最優模型可使更多患者凈獲益。因此，VGG16最優模型為鑒別APTB與CAP胸片的最佳診斷模型。

圖6，7胸片在VGG16卷積基輸出的特征可視化注：圖6為活動性肺結核患者，男，43歲，痰中帶血2周，伴盜汗。圖6a為胸部正位片，示左肺上野斑片狀高密度影，邊界模糊不清，并見厚壁空洞影；圖6b為VGG16卷積基最后一個最大池化層提取該病例的特征圖。圖7為社區獲得性肺炎患者，男，32歲，咳嗽伴發熱 8d 圖7a為胸部正位片，示左肺上中野斑片狀高密度影，邊界模糊不清；圖7b為VGG16卷積基最后一個最大池化層提取該病例的特征圖

Hwang等[]開發了基于胸片的深度學習自動檢測算法檢測APTB和健康人群胸片，結果表明深度學習算法鑒別2組的AUC達 0.911～1.000 ，顯著高于影像科醫師。Heo等[12]對比了多種預訓練網絡鑒別APTB與健康人群胸片的效能，發現VGG19的AUC最高（0.9075），并進一步將人口學資料（性別、年齡、身高和體質量）納入分析后，VGG19的AUC僅提高至0.9213，且添加一個人口學變量時AUC的提高并不顯著。本研究2組患者的性別構成比及年齡差異均無統計學意義，對模型的鑒別任務無意義，因此未將人口學資料納人模型。Lakhani等[13]采用AlexNet及GoogLeNet網絡鑒別APTB與健康人群的胸片，比較了使用預訓練與未經訓練模型、是否應用圖像增強對模型性能的影響，結果表明預訓練網絡的AUC高于未訓練模型，且應用圖像增強模型的AUC高于未應用圖像增強模型。圖像增強技術除能提高模型性能外，還可降低模型訓練的過擬合問題。本研究在訓練前未使用圖像增強技術，是因為使用圖像增強模型訓練速度慢且存儲消耗大，中央處理器無法承擔明顯增加的計算負荷，但最終結果仍獲得有較高分類性能的CNN模型。

CNN對鑒別APTB與健康人群胸片具有優勢[14-15]，但存在潛在風險，因CNN隨訓練進行權重不斷優化，可能學會的映射僅能鑒別正常胸片與異常胸片[16]，而非鑒別APTB與健康人群。因此，本研究將CAP作為對照組。有研究顯示，聯合病灶區域和淋巴結區域的CT影像組學特征模型鑒別兒童APTB與CAP的AUC為 0.957^[4] 。CT影像組學聯合臨床模型在測試集和驗證集的預測性能分別為0.888和0.850^[17] 。另有研究表明基于胸片開發的深度學習模型用于預測CAP患者30d死亡率的性能較好[18]本團隊基于胸片對兩者的鑒別，僅采用了VGG16一種預訓練網絡[3]。本研究進一步探討了4種具有代表性的預訓練網絡分別進行訓練、驗證和評價，同時補充了與影像醫師的比較，擴展了胸片聯合CNN的臨床應用范圍的實用性。

本研究存在以下局限性： ① 僅選擇CAP作為對照組，胸部其他病變可能對模型的應用存在潛在影響，未來應進一步完善肺部疾病譜，構建適合更多病種的深度學習工具。 ② 樣本量有限，未對APTB及CAP進一步分型。 ③ APTB患者可能伴免疫損害或同時罹患肺部感染，存在潛在分組偏倚。 ④ 為多中心回顧性研究，大部分患者臨床癥狀和實驗室檢查缺失，未來應開展前瞻性研究，訓練上述參數以提高臨床意義。 ⑤ 采用的深度學習分析技術方法較基礎，未來應加強與理工科專家的深人合作研究。

綜上所述，遷移學習技術對于APTB與CAP胸片有較高的鑒別診斷價值，在大規模體檢中有較大的應用潛力。

[參考文獻]

[1]World Health Organization.Global tuberculosis report 2024[R/OL]. （2024-10-29）[2025-01-16]. https：/iris. who.int/bitstream/handle/10665/379339/9789240101531.

[2]國家呼吸內科醫療質量控制中心，中華醫學會結核病學 分會，中國防癆協會結核病控制專業分會，等．綜合醫療 機構肺結核早期發現臨床實踐指南[J].中國防癆雜志， 2024，46（2）：127-140.

[3]HAN D，HE T，YU Y，et al. Diagnosis of active pulmonary tuberculosis and community acquired pneumonia usingconvolution neuralnetwork based on transfer learning[J]. Acad Radiol，2022，29（10）：1486-1492.

[4]WANG B，LI M，MA H，et al. Computed tomography-based predictive nomogram for differentiating primary progressivepulmonary tuberculosisfrom community-acquired pneumonia in children[J].BMC Med Imaging，2019， 19（1） ：63.

[5]RAJPURKAR P，O'CONNELL C，SCHECHTER A，et al. CheXaid：deep learning assistance for physician diagnosis of tuberculosis using chest X-rays in patients with HIV[J]. NPJ Digit Med，2020，3：115.

[6] HAN D，CHEN Y，LI X，et al. Development and validation of a 3D-convolutional neural network model based onchest CT for differentiating active pulmonary tuberculosis from community-acquired pneumonia[J]. Radiol Med，2023，128（1） ：68-80.

[7]NASH M，KADAVIGERE R，ANDRADE J，et al. Deep learning，computer-aided radiography reading for tuberculosis：a diagnostic accuracy study from a tertiary hospital inIndia[J]. Sci Rep，2020，10（1）：210.

[8］謝浩杰，魯明麗，張陳，等．基于深度學習的肺結核檢測 綜述[J].中國醫學物理學雜志，2024，41（7）：918-924.

[9］國家感染性疾病臨床醫學研究中心，深圳市第三人民醫 院，《中國防癆雜志》編輯委員會．肺結核活動性判斷規 范及臨床應用專家共識[J].中國防癆雜志，2020，42（4）： 301-307.

[10］中華醫學會呼吸病學分會．社區獲得性肺炎診斷和治 療指南[J].中國實用鄉村醫生雜志，2013，20（2）：11- 15.

[11]HWANG E J，PARK S，JIN K N，et al. Development and validation of a deep learning-based automatic detection algorithm for active pulmonary tuberculosison chest radiographs[J]. Clin Infect Dis，2019，69（5）：739- 747.

[12]HEO SJ，KIM Y，YUN S，et al. Deep learning algorithmswith demographic information help to detect tuberculosis in chest radiographs in annual workers' health examination data[J].IntJEnviron Res Public Health，2019，16（2）：250.

[13]LAKHANI P，SUNDARAM B.Deep learning at chest radiography：automated classification ofpulmonary tuberculosis by using convolutional neural networks[J]. Radiology，2017，284（2）：574-582.

[14]KIM TK，YI P H，HAGER G D，et al. Refining datasetcuration methods for deep learning-based automated tuberculosis screening[J].J Thorac Dis，2020， 12（9）：5078-5085.

[15]KHAN F A，MAJIDULLA A，TAVAZIVA G，et al. Chest X-ray analysis with deep learning-based software asa triage test for pulmonary tuberculosis：aprospective study of diagnostic accuracy for culture-confirmed disease[J]. Lancet Digit Health，2020，2（11）：e573-e581.

[16]SATHITRATANACHEEWIN S，SUNANTAP，PONGPIRUL K.Deep learning for automated clasification of tuberculosis-related chest X-ray：dataset distribution shift limits diagnostic performance generalizability[J].Heliyon，2020，6（8）：e04614.

[17]LI P，WANG J，TANG M，et al. A CT-based radiomics predictive nomogram to identify pulmonary tuberculosis fromcommunity-acquired pneumonia：a multicenter cohort study[J].Front Cell Infect Microbiol，2024，19（14）： 1388991.

[18]KIM C，HWANG E J，CHOI Y R，et al.A deep learning model using chest radiographs for prediction of 30- daymortality in patientswith community-acquired pneumonia：development and external validation[J]. AJR Am J Roentgenol，2023，221（5）：586-598. （收稿日期2024-12-05）