论文部分内容阅读
目的由于类风湿性关节炎(Rheumatoid Arthritis,RA)主要对小关节造成损伤,尤其以掌指关节(Metacarpophalangeal Joint,MCP)明显。本研究以RA的关节滑膜病变诊疗及预后评估这一重大临床需求为切入点,对所获取的基于超声US-7标准的MCP超声灰阶数据,利用卷积神经网络(Convolutional Neural Network,CNN)对其进行挖掘、处理以及分析。目的是建立一个能对滑膜病变无损自动识别的模型。资料与方法收集2017年8月至2018年12月在深圳市人民医院确诊为RA患者的MCP超声图片。本研究使用的超声诊断仪为Mindray Resona7、所用的探头为11-3M线阵探头。随机选取整体数据的80%、20%分别作为训练集和测试集。深度学习模型选用谷歌发布的VGG-16模型。在对MCP灰阶超声图片感兴趣区自动抓取后,按照预定的计划,把80%的数据输入模型中进行特征提取及学习。用剩余20%的数据对已经学习完毕的模型进行测试。把正常的图片记为0,异常的图片被记为1。通过人工统计数目绘制成四格表数据,计算模型对测试集数据的敏感度(Sensitivity,SEN)、特异度(Specificity,SPE)、阳性预测值(Likelihood Ratio+,LR+)、阴性预测值(Likelihood Ratio-,LR-)以及绘制受试者工作特征曲线(Receiver Operating Characteristic Curve,ROC)得到曲线下面积值(Area Under the Curve,AUC)来评估模型是否能对MCP滑膜病变自动识别。并且对模型中的五个相互平行的卷积层所提取的深度特征用蒙特罗交叉检验得到各自AUC值,以判断卷积层对深度特征的提取能力。结果本研究共纳入了82位RA患者,总共采集了320个MCP的灰阶超声图片,由同一个医生完成。最后获得909张MCP灰阶超声图片,其中正常329张,异常580张。测试集总共含66个阳性数据,116个阴性数据。VGG-16模型对测试集进行测试所得的结果为:SEN、SPE、LR+、LR-分别为81.8%、77.6%、3.65、0.23。AUC为0.82。五个卷积层的AUC平均值分别为:0.60、0.62、0.61、0.67以及0.63,其中最高的AUC均值是来自第3卷积层。结论本研究验证了使用深度特征进行预测及识别RA患者MCP滑膜病变超声图像的可行性。具体来说,我们使用的是以非医学图像来进行预训练的CNN模型,利用它提取、学习以及放大RA患者MCP滑膜病变区域的深度特征,并且进行训练。从所得的结果来看,虽然敏感度与特异度有待提高,但仍然证明了模型发生了有效的学习。另外,在我们的研究中,也证实了在没有大规模数据集的情况下,使用强大的深度学习技术训练及学习小样本量图像确实是一种有效方法。