基于SPECT全身骨掃描的YOLOv5x深度學(xué)習(xí)網(wǎng)絡(luò)模型診斷良、惡性骨病灶

李宗霖,趙 崢,連世東

(廣西醫(yī)科大學(xué)第二附屬醫(yī)院核醫(yī)學(xué)科,廣西 南寧 530000)

骨轉(zhuǎn)移是惡性腫瘤晚期常見轉(zhuǎn)移方式之一[1],盡早診斷并治療骨轉(zhuǎn)移可明顯提高晚期腫瘤患者生存質(zhì)量[2]。全身骨掃描是影像學(xué)診斷骨轉(zhuǎn)移的首選方法[3],近年來應(yīng)用逐漸增多[4], 其敏感度較高但特異度較低[5],需由經(jīng)驗(yàn)豐富的醫(yī)師結(jié)合病史、實(shí)驗(yàn)室檢查及其他影像學(xué)資料進(jìn)行綜合評(píng)估。隨著計(jì)算機(jī)相關(guān)算法的創(chuàng)新,人工智能(artificial intelligence, AI)在CT[6]及MRI[7]等醫(yī)學(xué)影像學(xué)輔助診斷領(lǐng)域取得了較佳進(jìn)展。研究[8]證明,以AI輔助診斷不僅可提高診斷效率,還能提升醫(yī)師、特別是低年資醫(yī)師的診斷敏感度及準(zhǔn)確率,但目前用于全身骨掃描的AI輔助診斷模型較少。本研究基于SPECT骨掃描構(gòu)建YOLOv5x深度學(xué)習(xí)網(wǎng)絡(luò)模型,觀察其用于診斷良、惡性骨病灶的價(jià)值。

1 資料與方法

1.1 研究對(duì)象 回顧性分析2018年9月—2019年9月廣西醫(yī)科大學(xué)第二附屬醫(yī)院699例接受SPECT骨掃描患者,男296例、女403例,年齡31～98歲、平均(64.2±10.4)歲;共5 182處骨病灶,惡性3 105處、良性2 077處。排除標(biāo)準(zhǔn):①特殊原因所致SPECT異常濃聚,如尿液污染、肢體殘缺及注射點(diǎn)嚴(yán)重漏藥等;②超級(jí)骨顯像;③原發(fā)性骨惡性腫瘤或多發(fā)性骨髓瘤;④2名核醫(yī)學(xué)科主任醫(yī)師判斷病灶性質(zhì)不統(tǒng)一,且不能通過病史、實(shí)驗(yàn)室檢查及其他影像學(xué)檢查確定。本研究通過院倫理委員會(huì)批準(zhǔn)(YN2021-048-01)。

1.2 儀器與方法 采用GE Hawkeye4雙探頭SPECT/CT,配置低能高分辨準(zhǔn)直器。于經(jīng)肘靜脈注射99Tcm-亞甲基二磷酸鹽(methylene diphosphonate, MDP)740～925 MBq后2～4 h行SPECT全身骨掃描;參數(shù):能峰140 keV,窗寬20%,矩陣256×1 024,采集速度10～20 cm/min,放大倍數(shù)1.0。以DICOM格式儲(chǔ)存原始圖像,于GE Xeleris3工作站進(jìn)行預(yù)處理,將所有圖像轉(zhuǎn)為無損JPG格式,調(diào)節(jié)圖像對(duì)比度、亮度,并進(jìn)行歸一化處理。

1.3 金標(biāo)準(zhǔn) 由2名核醫(yī)學(xué)科主任醫(yī)師根據(jù)SPECT骨掃描圖像,結(jié)合病史、實(shí)驗(yàn)室檢查、其他影像學(xué)檢查、病理結(jié)果及隨訪資料評(píng)估骨良、惡性病灶,并采用LabelImg軟件進(jìn)行標(biāo)記。判斷惡性骨病灶:明確惡性腫瘤病史,骨掃描圖像可見異常濃聚點(diǎn),且CT/MRI/病理提示骨轉(zhuǎn)移瘤或隨訪半年以上病灶有所進(jìn)展;判斷良性骨病灶:外傷、手術(shù)、炎癥或退行性病變等引起的SPECT異常濃聚,且CT/MRI/X線亦提示為外傷、手術(shù)、炎癥或退行性病變等,或隨訪半年以上病灶無進(jìn)展/消失。

1.4 構(gòu)建AI模型 按8∶1∶1將1 121幅骨掃描圖像分為訓(xùn)練集(n=897)、驗(yàn)證集(n=112)或測試集(n=112),采用翻轉(zhuǎn)、鏡像及旋轉(zhuǎn)方法將訓(xùn)練集及驗(yàn)證集數(shù)據(jù)擴(kuò)增4倍(n=3 588、448)。見圖1。采用YOLOv5x目標(biāo)檢測深度學(xué)習(xí)網(wǎng)絡(luò)(圖2)構(gòu)建AI模型,根據(jù)網(wǎng)絡(luò)深度及寬度由小到大將其分為S、M、L、X,其深度分別為0.33、0.67、1.00及1.33,寬度分別為0.50、0.75、1.00及1.25。利用“補(bǔ)0法”將訓(xùn)練集及驗(yàn)證集圖像由256×1 024調(diào)整為網(wǎng)絡(luò)推薦輸入圖片大小(640×640),將其輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練;網(wǎng)絡(luò)輸出模塊分別采用80×80、40×40、20×20矩陣評(píng)估骨掃描圖像中不同部位(頭頸、胸廓、脊柱、骨盆、四肢)骨病灶的良、惡性(圖1)。采用Python 3.8.8語言編程,以Pytorch為深度學(xué)習(xí)框架,代碼運(yùn)行環(huán)境為Windows 10系統(tǒng),應(yīng)用NVIDIA-V100-32GB圖形處理器、8核64 GB中央處理器;設(shè)置超參數(shù):初始學(xué)習(xí)率為0.01,batch-size為16,epochs為500輪,Img-size為640×640,workers為8。

圖1 構(gòu)建YOLOv5x深度學(xué)習(xí)網(wǎng)絡(luò)模型的流程圖

圖2 YOLOv5x深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu) Focus結(jié)構(gòu)是YOLOv5網(wǎng)絡(luò)中的特殊下采樣方法,可將高分辨率圖片拆分為多個(gè)低分辨率圖片后再行下采樣,以減少圖像信息丟失;分別在YOLOv5主干網(wǎng)絡(luò)和提取特征網(wǎng)絡(luò)中加入不同結(jié)構(gòu)的跨階段局部(cross stage partial, CSP)網(wǎng)絡(luò),以增強(qiáng)其學(xué)習(xí)能力

1.5 統(tǒng)計(jì)學(xué)分析 采用Python 3.8.8統(tǒng)計(jì)分析軟件。以混淆矩陣計(jì)算模型預(yù)測骨掃描圖像中良、惡性病灶的敏感度、特異度及準(zhǔn)確率。繪制受試者工作特征(receiver operating characteristic, ROC)曲線,計(jì)算曲線下面積(area under the curve, AUC)。采用Kappa檢驗(yàn)評(píng)估模型診斷結(jié)果與金標(biāo)準(zhǔn)的一致性,以Kappa>0.8為一致性好。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

骨掃描YOLOv5x深度學(xué)習(xí)網(wǎng)絡(luò)模型識(shí)別惡性骨病灶的敏感度為95.75%、特異度為87.87%、準(zhǔn)確率為91.60%,識(shí)別良性骨病灶分別為91.62%、94.38%、93.14%;對(duì)不同部位骨病灶的敏感度、特異度及準(zhǔn)確率均≥85.00%。見表1及圖3。

表1 YOLOv5x深度學(xué)習(xí)網(wǎng)絡(luò)模型識(shí)別不同部位骨病灶的效能(%)

圖3 患者男,58歲,肺癌伴骨轉(zhuǎn)移,骨掃描圖像 紅色示胸、腰椎及骨盆多發(fā)惡性骨轉(zhuǎn)移灶,綠色示右膝關(guān)節(jié)退行性變;M代表轉(zhuǎn)移灶,B代表良性病灶;數(shù)字代表置信度

模型識(shí)別骨病灶的AUC為0.98,識(shí)別惡性、良性骨病灶的AUC分別為0.97、0.98;見圖4。模型診斷惡性及良性骨病灶結(jié)果與金標(biāo)準(zhǔn)的一致性均好(Kappa=0.83、0.86,P均<0.05)。

圖4 YOLOv5x深度學(xué)習(xí)網(wǎng)絡(luò)模型識(shí)別骨病灶的ROC曲線

3 討論

計(jì)算機(jī)輔助診斷骨掃描圖像中的病灶為核醫(yī)學(xué)領(lǐng)域研究熱點(diǎn)之一。在深度學(xué)習(xí)網(wǎng)絡(luò)之前,已有研究采用自適應(yīng)閾值[9]等傳統(tǒng)圖像處理或支持向量機(jī)[10]等機(jī)器學(xué)習(xí)方法構(gòu)建輔助診斷模型,但計(jì)算時(shí)間較長、敏感度和特異度不高,未能廣泛用于臨床。

基于大樣本數(shù)據(jù)利用計(jì)算機(jī)自動(dòng)提取圖像深層次抽象特征、采用深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建模型,可為輔助診斷骨掃描圖像中的病灶提供新的方向。PAPANDRIANOS等[11]采用圖片分類深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建的診斷前列腺癌骨轉(zhuǎn)移的AI模型可判斷骨掃描圖像所示病灶的良、惡性,其準(zhǔn)確率及敏感度分別為97.38%和95.80%,但不能在圖中加以標(biāo)記,導(dǎo)致診斷價(jià)值有限。CHENG等[12]采用YOLOv4深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建分類診斷骨掃描圖像中胸部骨轉(zhuǎn)移灶的模型,在由205例前列腺癌組成的數(shù)據(jù)集中,該模型識(shí)別骨良、惡性病灶的準(zhǔn)確率和敏感度分別為(90±4)%和(72±4)%。劉思敏等[13]采用深度殘差卷積神經(jīng)網(wǎng)絡(luò)Res-Net34構(gòu)建分類診斷骨轉(zhuǎn)移瘤良、惡性的分割模型,其敏感度、特異度分別為92.59%、85.51%,該研究每例納入經(jīng)過工作站手動(dòng)后處理的前、后位共4幅圖像,或?qū)δＰ推者m性存在一定影響。PI等[14]與ZHAO等[8]均通過自行編寫卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建模型識(shí)別全身骨掃描圖像中的惡性骨病灶,其敏感度分別為93.20%、93.40%。本研究建立的深度學(xué)習(xí)模型可識(shí)別骨掃描圖像中較多部位病灶,且針對(duì)胸部區(qū)域骨病灶的準(zhǔn)確率(92.95%)及敏感度(98.44%)高于CHENG等[12]的結(jié)果,可能原因在于利用YOLOv5x網(wǎng)絡(luò)可獲得深度及寬度更大的特征圖,所獲模型識(shí)別惡性病灶的敏感度(95.75%)更高,且可識(shí)別良性骨病灶,從而更好地輔助醫(yī)師診斷。

本研究所獲模型診斷結(jié)果與根據(jù)金標(biāo)準(zhǔn)診斷結(jié)果的一致性好,即模型識(shí)別脊柱、胸廓、骨盆惡性病灶的敏感度較高;但其特異度相對(duì)較低,與上述3個(gè)部位骨轉(zhuǎn)移率高而良性病灶較少有關(guān);模型識(shí)別四肢良性骨病灶的敏感度較高、特異度較低,與四肢關(guān)節(jié)高發(fā)骨關(guān)節(jié)退行性變的特點(diǎn)相符;識(shí)別頭頸部良、惡性骨病灶的敏感度及特異度均低于90.00%,可能與頭頸部病灶數(shù)量較少有關(guān)。

綜上,本研究基于SPECT全身骨掃描建立的YOLOv5x深度學(xué)習(xí)網(wǎng)絡(luò)模型有助于診斷良、惡性骨病灶。本研究的主要不足:①為單中心回顧性研究;②未測試模型的普適性及魯棒性;③所獲模型不能用于評(píng)估惡性腫瘤患者骨轉(zhuǎn)移程度及預(yù)測生存期。未來可與圖像分割網(wǎng)絡(luò)相結(jié)合開發(fā)性能更佳的預(yù)測模型。