基于知識圖譜的腹部前后立位片的智能質(zhì)量控制

[Abstract]Objective：Todesignanintellgentimagequalitycontrolalgorithmmodelforadominalanteroposterioradiographbased onknowledgegraphforclinicalpractice.Methods：UtilizingtheAnhuiProvincialImagingCloudPlatform，4499de-identified abdominalradiographimageswereincluded.Allimagesweredividedintoatrainingset（3136images），avalidationset （457iages）， andatestset（906images）inaratioof7：1：2.Aknowledgegraph forsingle-personandmulti-personqualitycontrollabeling wasconstructed，anartifcialintellgence（AI）qualitycontrolmodelwastrained.Takingtheresultsofthreequalitycontrol expertsasthereferencestandardforqualitycontrol，theimagetechnicalqualityaccuracyandimageclarityacuracyamong thesingle-person，multi-personandAIqualitycontrolmethodswerecompared.Thecorelationsbetweensingle-personquality controlmulti-personqualitycontrolandreferencestandardswereevaluatedResults：Inthetestset，comparedwiththe referencestandard，theaverageacuracyofAIqualitycontrolwashigherthanthatofsingle-personqualitycontrol（A，B）（ Plt; 0.01）.IntermsofimageclaritythecorelationofIqualitycontrolwasthehighest（O.754），followedbymulti-personquality control（0.671），single-personqualitycontrolA（0.625）andB（O.617）insequence.Conclusions：Inthequalityassessment ofimageprojectiontechniqueandimageclarity，theefectofAIqualitycontrolissignificantlybetterthanthatof single-personqualitycontrol，andevenforsomelabels，itisslightlybeterthanthatofmuli-personqualityontrol，owing potential for clinical application.

[Keywords] Abdominal Radiograph;Image quality control;Knowledge graph;Artificial intellgence

腹部前后立位片（腹部平片）作為一種低成本、易獲取且非侵入性的常規(guī)檢查手段1，對腹部疾病的診斷至關(guān)重要。在醫(yī)療服務(wù)過程中，質(zhì)量控制（質(zhì)控）是確保醫(yī)療安全和提高診斷準確性的核心要素[2]。目前，腹部平片的影像質(zhì)控主要依賴人工判定，實現(xiàn)智能質(zhì)控仍面臨諸多挑戰(zhàn)。

近年來，深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)圖像應(yīng)用中表現(xiàn)出色，但缺乏先驗知識、限制了其性能提升。知識圖譜可通過圖形化的方式呈現(xiàn)豐富的語義信息[3]，提供先驗知識。知識圖譜已在醫(yī)學(xué)影像領(lǐng)域圖像標注[4]、放射學(xué)報告生成[5]等方面發(fā)揮了顯著作用，提供了強大的先驗知識框架，幫助深度學(xué)習(xí)模型更好地適應(yīng)影像數(shù)據(jù)的復(fù)雜性和變異性。本研究將知識圖譜與深度學(xué)習(xí)技術(shù)相融合，建立影像智能質(zhì)控算法模型，探討腹部平片人工智能（AI）質(zhì)控的可行性。

1資料與方法

1.1一般資料

使用數(shù)據(jù)均為2019年6月至2021年12月在安徽省影像云平臺獲得的5498張腹部平片。納入標準： ① 拍攝體位為前后立位； ② 年齡 ?3 歲； ③ 經(jīng)脫敏處理，符合國家標準《信息安全技術(shù)個人信息安全規(guī)范：GB/T35273—2020》6的要求。最終4499張腹部平片納入研究。本研究使用匿名化的信息數(shù)據(jù)開展研究，經(jīng)安徽中醫(yī)藥大學(xué)第一附屬醫(yī)院倫理委員會批準，免除倫理審查。

1.2 知識圖譜構(gòu)建

參考《放射科管理規(guī)范與質(zhì)控標準（2017版）》7，通過與安徽中醫(yī)藥大學(xué)第一附屬醫(yī)院、安徽醫(yī)科大學(xué)第一附屬醫(yī)院及中國科學(xué)技術(shù)大學(xué)第一附屬醫(yī)院10位具有3年以上放射科經(jīng)驗的技師討論并制訂腹部平片質(zhì)控標準（表1）。

表1腹部平片質(zhì)控標準

參考Zhao等[8]提出的“質(zhì)控類別-質(zhì)控特征-細節(jié)特征\"3層結(jié)構(gòu)模型，構(gòu)建高效的影像質(zhì)控知識圖譜（表2）。該圖譜涵蓋了圖像投照技術(shù)質(zhì)量和圖像清晰度2個類別，精細整合了腹部平片幾乎全部的非規(guī)范擺位質(zhì)量特征。

1.3腹部平片質(zhì)控數(shù)據(jù)標注

將腹部平片依照知識圖譜進行標注，參與標注的醫(yī)師均具有3年以上臨床經(jīng)驗，并接受嚴格的專業(yè)培訓(xùn)。具體流程：由醫(yī)師A、B分別對圖像進行質(zhì)控評估，得到標注結(jié)果A和B，此過程為單人質(zhì)控，結(jié)果一致則直接完成標注；若出現(xiàn)分歧，則邀請具有10年以上臨床經(jīng)驗的醫(yī)師C做決定性標注，得到標注結(jié)果C，此過程為多人質(zhì)控。同一放射科醫(yī)師對同一圖像只能標注1次。多人質(zhì)控數(shù)據(jù)將用于深度學(xué)習(xí)模型訓(xùn)練、驗證和測試。若不存在質(zhì)控知識圖譜上的情況，相關(guān)圖像則被判定為正常圖像。

1.4AI模型的訓(xùn)練及建立

在模型訓(xùn)練環(huán)節(jié)分別采用TResNet和ResNet-50神經(jīng)網(wǎng)絡(luò)。針對知識圖譜的圖像技術(shù)質(zhì)量節(jié)點相關(guān)數(shù)據(jù)集的分類任務(wù)，選用TResNet神經(jīng)網(wǎng)絡(luò)進行處理；對知識圖譜的圖像清晰度節(jié)點相關(guān)數(shù)據(jù)集回歸為不同的等級，選用ResNet-50神經(jīng)網(wǎng)絡(luò)。2個神經(jīng)網(wǎng)絡(luò)的初始參數(shù)均來源于在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練過的模型參數(shù)。將4499張腹部平片按7：1：2比例分為訓(xùn)練集3136張、驗證集457張和測試集906張。

1.5 質(zhì)控審核

邀請3位具有10年以上放射科經(jīng)驗的質(zhì)控專家對測試集AI質(zhì)控結(jié)果進行審核。AI質(zhì)控結(jié)果與人工質(zhì)控結(jié)果不一致時，由專家討論并做出最終審核，將其審核結(jié)果作為參考標準。

1.6 評估指標

采用精確率評估單人質(zhì)控、多人質(zhì)控及AI質(zhì)控對圖像技術(shù)質(zhì)量和圖像清晰度的預(yù)測能力。為確保精確率的準確性，設(shè)定閾值為 0.99 。精確率的計算公真陽性式：精確率 Σ=Σ 其中，真陽性代表真陽性 + 假陽性單人質(zhì)控、多人質(zhì)控和模型預(yù)測中的真陽性病例數(shù)，假陽性則代表假陽性病例數(shù)。

1.7 統(tǒng)計學(xué)分析

采用SPSS23.0軟件進行圖像技術(shù)質(zhì)量AI質(zhì)控、單人質(zhì)控（A、B）及多人質(zhì)控之間的重復(fù)測量方差分析。使用Spearman相關(guān)分析評估單人質(zhì)控（A、B）、多人質(zhì)控與參考標準之間的相關(guān)性。

表2腹部平片質(zhì)控知識圖譜結(jié)構(gòu)實體設(shè)計

2結(jié)果

2.1單人質(zhì)控分析

測試集共906例，男586例，女320例。在圖像技術(shù)質(zhì)量評估中，單人質(zhì)控A和B的結(jié)果完全一致209例（ 23.07% ，不一致697例（ 76.93% ；在圖像清晰度評估中，單人質(zhì)控A和單人質(zhì)控B結(jié)果完全一致337例 （37.20% ），不一致569例 （62.80% ）。

2.2圖像技術(shù)質(zhì)控結(jié)果（表3）

測試集中，AI質(zhì)控、多人質(zhì)控和單人質(zhì)控（A、B）結(jié)果在圖像技術(shù)質(zhì)量上的平均精確率分別為87.04%.83.47%.75.46% 和 75.53% 。AI質(zhì)控精確率均高于單人質(zhì)控（A、B（均 Plt;0.01 ）；與多人質(zhì)控比較，差異無統(tǒng)計學(xué)意義（ P=0.173 ）。

2.3圖像清晰度質(zhì)控結(jié)果（表4）

AI質(zhì)控、多人質(zhì)控和單人質(zhì)控（A、B）在圖像清晰度上的平均精確率分別為 70.23%.70.15%.63.88%

和 63.86% 。其中AI質(zhì)控結(jié)果與參考標準的相關(guān)系數(shù)最大（0.754），其余依次為多人質(zhì)控（0.671）和單人質(zhì)控A（0.625）、B（0.617）。

3結(jié)論

隨著醫(yī)學(xué)影像數(shù)據(jù)的增長，特別是在質(zhì)控方面，傳統(tǒng)的人工質(zhì)控不僅耗時且易受個人主觀判斷的影響。與此同時，AI在放射學(xué)領(lǐng)域的應(yīng)用已顯示出其高智能化、準確性及客觀性等顯著優(yōu)勢[9-10]。通過采用智能工具來標準化影像質(zhì)量報告，可有效減少評估者之間的差異，提高質(zhì)控效率，從而應(yīng)對海量影像數(shù)據(jù)的質(zhì)量審查需求[11]。本研究提出了一種創(chuàng)新腹部平片的AI質(zhì)控方法，基于收集整理的腹部平片數(shù)據(jù)，構(gòu)建質(zhì)控知識圖譜，引導(dǎo)標注質(zhì)控數(shù)據(jù)，建立相應(yīng)的數(shù)據(jù)集；選取了2種卷積神經(jīng)網(wǎng)絡(luò)TResNet12和ResNet- ?50^[13] 進行模型訓(xùn)練，并通過為各類別標簽分配不同權(quán)重的策略14應(yīng)對類別不平衡。該AI質(zhì)控方法不僅顯著提升了質(zhì)控效率，且增強了準確性與一致性，可有效減輕放射科醫(yī)師的工作負擔(dān)，優(yōu)化其專業(yè)診斷能力。

表3人工質(zhì)控與AI質(zhì)控的圖像技術(shù)質(zhì)量精確率

%

表4人工質(zhì)控、AI質(zhì)控的圖像清晰度精確率

本研究中，在置信度閾值為0.99時，與參考標準比較，圖像技術(shù)質(zhì)量AI質(zhì)控的平均精確率達 87.04% 顯著高于單人質(zhì)控（A、B）（ 75.46% 和 75.53% ），差異有統(tǒng)計學(xué)意義。此外，圖像清晰度AI質(zhì)控的平均精確率為 70.23% ，高于多人質(zhì)控（ 70.15% ）及單人質(zhì)控（A、B）（ 63.88% 和 63.86% ）。圖像清晰度AI質(zhì)控與參考標準的相關(guān)系數(shù)為0.754，高于多人質(zhì)控（0.671）和單人質(zhì)控（A、B）（0.625和0.617）。上述結(jié)果證明了AI質(zhì)控在腹部平片質(zhì)量異常檢測中的明顯優(yōu)勢，其效率、準確率及敏銳的識別力充分展示了在醫(yī)學(xué)影像圖像質(zhì)控領(lǐng)域的巨大潛力。

本研究的局限性： ① 訓(xùn)練數(shù)據(jù)的標注最多由3位放射科醫(yī)師完成，存在主觀判斷的差異。為降低這種差異確保結(jié)果的準確性，未來可考慮增加更多醫(yī)師參與標注。 ② 前期研究發(fā)現(xiàn)，TResNet在眾多圖像分類任務(wù)中表現(xiàn)出色，在ImageNet等數(shù)據(jù)集上取得顯著的成績[15-16]。同時， ResNet-50 也被廣泛應(yīng)用于各類圖像處理任務(wù)中，如目標檢測[17和語義分割[18]等。在訓(xùn)練階段，本研究采用了TResNet和ResNet-50神經(jīng)網(wǎng)絡(luò)，但未與其他模型進行對比。為提升模型選擇的科學(xué)性和適用性，后續(xù)研究應(yīng)考慮與其他模型進行比較評估。 ③ 采用的模型主要針對腹部平片質(zhì)控設(shè)計，使用的訓(xùn)練數(shù)據(jù)也僅限于腹部平片。未來將擴大模型應(yīng)用范圍，使其能涵蓋更廣泛的放射影像質(zhì)控任務(wù)。

總之，AI質(zhì)控效果不僅超越了單人質(zhì)控效果，且在多個節(jié)點優(yōu)于多人質(zhì)控效果。基于知識圖譜的智能質(zhì)控方法能準確識別并判斷大部分類型的圖像質(zhì)量特性，提升影像質(zhì)控的效率和質(zhì)量。

[參考文獻]

[1]BARBA E，LIVOVSKY D M，RELEA L，et al.Evaluation of abdominal gas byplain abdominal radiographs[J]. Neurogastroenterol Motil，2023，35（2）：e14485.

[2]LARSON D B，BOLAND G W. Imaging quality control intheera ofartificial intelligence[J].JAm Coll Radiol，2019，16（9）：1259-1266.

[3]JI S，PAN S，CAMBRIA E，et al.A survey on knowledge graphs：representation，acquisition，and applications [J]. IEEETrans Neural Netw Learn Syst，2021，33（2）：494- 514.

[4]SEAH JC Y，TANG C H M，BUCHLAK Q D，et al. Effect of a comprehensive deep-learning model on the accuracy of chest X-ray interpretation by radiologists：a retrospective，multireader multicase study[J]. Lancet Digit Health，2021，3（8）：e496-e506.

[5]WANG S，LIN M，GHOSAL T，et al. Knowledge graph applications in medical imaging analysis：a scoping review[J]. Health Data Sci，2022，2022：9841548.

[6］國家市場監(jiān)督管理局，國家標準化管理委員會．信息安 全技術(shù)個人信息安全規(guī)范：GB/T35273-2020[S].北 京：中國標準出版社，2020：3-13.

[7]中華醫(yī)學(xué)會放射學(xué)分會．放射科管理規(guī)范與質(zhì)控標 準（2017版）[S].北京：人民衛(wèi)生出版社，2017.

[8] ZHAO S，GU Z，HAN X，et al. Construction and application of radiologic interpretation knowledge graph based onthree-layer structure model[C]//2O22 IEEE 2nd International Conference on Mobile Networks and WirelessCommunications （ICMNWC）.Tumkur，Karnataka，India：IEEE，2022：1-6.

[9]ESTEVA A，KUPREL B，NOVOA R A，et al. Dermatologist-level classification of skin cancerwith deep neural networks[J]. Nature，2017，542（7639）：115-118.

[10]EL NAQA I，HAIDER M A，GIGER M L，et al. Artificial intelligence： reshaping the practice of radiological sciences in the 21st century[J].Br JRadiol，2020，93 （1106）：20190855.

[11] SAMANI Z R，ALAPPATT J A，PARKER D，et al. QCautomator：deep learning-based automated quality control for diffusion MR images[J].Front Neurosci，2020， 13：1456.

[12]RIDNIK T，LAWEN H，NOY A，etal. TResNet： high performance GPU-Dedicatedarchitecture [C]//2021 IEEE Winter Conference on Applications of Computer Vision（WACV）.Waikoloa，HI，USA：IEEE，2021：1399- 1408.

[13]HE K，ZHANG X，REN S，et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Las Vegas，NV，USA：IEEE，2016：770-778.

[14]BHUSAL D，PANDAY S P. Multi-label classification of thoracic diseases using dense convolutional network on chest radiographs[J].arXiv Preprint arXiv：03583， 2022.

[15]DENG J，DONG W，SOCHER R，et al. ImageNet ： a large-scale hierarchical image database[C]//2OO9 IEEE Conference on Computer Vision and Pattern Recognition.Miami，F(xiàn)L：IEEE，2009：248-255.

[16]LIN T Y，MAIRE M，BELONGIE S，et al. Microsoft COCO：Common objects in context[M]//Fleet D，Pajdla T，Schiele B，etal. Computer Vision-ECCV 2014：Vol. 8693.Cham：Springer International Publishing，2014： 740-755.

[17]REDMON J，F(xiàn)ARHADI A. YOLOv3 ：an incremental improvement[J].arXiv Preprint arXiv：1804.02767， 2018.

[18]CHEN L C，PAPANDREOU G，KOKKINOS I，et al. Deeplab：semantic image segmentation with deep convolutional nets，atrous convolution，and fully connected CRFs[J].IEEE Trans Pattern Anal Mach Intell，2017， 40（4） ：834-848.