深度学习辣汤小组文献阅读学习之一百六十九篇
2024/4/19
DeepLearning 深度学习辣汤小组
一种新的基于机器学习的放射组学模型用于诊断肝硬化患者的食管静脉曲张风险
Abstract
2022年，来自首都医科大学附属北京佑安医院的Yan Yijie等人开发和验证一种新的基于机器学习的放射组学模型 (RM)，用于诊断肝硬化患者的高出血风险食管静脉曲张 (HREV)，并在期刊HEPATOL INT（IF=6.6，医学2区）上发表题为“A novel machine learning-based radiomic model for diagnosing high bleeding risk esophageal varices in cirrhotic patients”的文章。
DOI
https://doi.org/10.1007/s12072-021-10292-6
左右滑动查看文章
一、研究背景
食管静脉曲张出血是肝硬化合并门静脉高压症的致命并发症之一。急性静脉曲张出血（EVB，esophageal variceal bleeding）6周死亡率可达15%以上。肝硬化患者在首次EVB发作后通过内镜或/和药物二级预防治疗，3年和5年累计死亡率分别为24.7%和47.2%。因此，诊断肝硬化患者食管静脉曲张(EV)，特别是中重度EV即高出血性食管静脉曲张(HREV，high bleeding risk esophageal varices)非常重要。目前，临床上评估静脉曲张严重程度的方式主要有内窥镜检查和肝静脉压梯度测量，但这两种检查都是创伤性和侵入性的，需要由熟练的操作人员来完成。
因此，开发一种无创的方法来筛查EV和诊断HREV是很重要的。最近的荟萃分析表明，计算机断层扫描(CT)成像是一种无创诊断工具，是评估肝硬化患者EV的良好选择。然而，CT增强图像具有大量的特征，医生和放射科医生无法轻易完全地区分和解释。因此，本研究的基于机器学习算法和增强CT图像，开发和验证一种新的放射学模型(RM)，用于诊断肝硬化患者的HREV。
二、数据集
在训练队列中，2016年1月至2017年12月期间招募了391名任何原因的肝硬化患者(图1a)。其中包括轻度EV (mild EV, n=120)、中重度EV (HREV, n=162)和无EV (non-EV, n=109)患者。从轻度EV组随机抽取109例与无EV组配对，从HREV组随机抽取120例与轻度EV组配对，以平衡病例数。最终，218例(非EV和轻度EV)和240例(轻度EV和HREV)患者被分为5个相等的亚组，1个训练组和4个5倍交叉内部验证，以研究轻度EV和HREV RM的发展(图1b)。
在外部验证前瞻性队列研究中，2018年1月至2019年12月，从北京佑安医院连续入组405例肝硬化乙型肝炎患者，包括轻度乙型肝炎(n=94)、重度乙型肝炎(n=246)或非乙型肝炎(n=65)。159例(非EV和轻度EV)和340例(轻度EV和HREV)患者分别用于外部验证研究(图1a)。所有入组患者均使用64层CT扫描仪进行三期腹部增强扫描，也都由经验丰富的胃肠道医生进行内窥镜检查，确定静脉曲张的严重程度。
三、研究方法
两名肝脏影像专家对CT图像中的肝脏、脾脏和食道标记为感兴趣区域，进行分割，而后提取四组CT图像放射学特征，包括纹理特征、统计特征、小波特征和定向梯度直方图特征。成像特征的提取会产生大量的数据，这将降低建模开发的效率。在人工智能数据从原始样本空间到低维空间的过程中使用降维，使用主成分分析(PCA)进行降维，保留了对进一步机器学习最有用的信息。最后通过各种统计判别分析开发了分类算法。选择AUC和ACC最高的SVM进行RM开发（图2）。
计算AUROC、敏感性、特异性和准确性作为评价RM鉴别的指标。校准曲线反映了模型预测与观察结果之间的一致性，并应用决策曲线分析(DCA)来确定不同阈值概率下RM净收益的临床有用性。
四、结果与结论
在训练集中，RM对轻度EV的平均AUROC为0.943(图3a)，平均灵敏度为0.863，特异度为0.763，准确度为0.841。当应用于内部验证时，平均AUROC为0.732(图3b)，平均灵敏度为0.773，特异性为0.763，准确性为0.705。在外部验证队列，AUROC降至0.654(图3c)，灵敏度为0.773，特异性为0.632，准确性为0.641(表1)。RM对HREV在训练集的平均AUROC为0.983(图2d)，平均灵敏度0.948，特异性0.977，准确性0.965。进行内部验证时，平均AUROC为0.834(图3e)，灵敏度0.916，特异度0.969，准确度0.947。应用于外部验证时，AUROC达到0.736(图3f)，灵敏度为0.690，特异性为0.762，准确性为0.743(表1)。RM的校准曲线和DCA结果分别如图4a-f所示，DCA结果显示，RM诊断轻度EV和HREV的性能相对较好。
在大数据时代，人工智能和机器学习的应用可以比传统医疗更有效地辅助医生进行临床诊断和决策。本研究的目的是开发和验证基于机器学习和增强CT图像的RM模型识别肝硬化患者中高危静脉曲张出血，模型具有较高的准确性，该RM的应用将在临床实践中避免肝硬化轻度EV患者的侵入性检查。
图1：参与者流程图及模型建立过程
图2：实验流程图
图3：RM模型的AUROC
表1：RM模型诊断轻度EV和HREV的性能
图4：RM模型的校准曲线和DCA曲线
Pepper soup transformed by: Yang Na
//
深度学习辣汤AI小组由徐州医科大学以及徐州医科大学附属医院一群热爱人工智能的小伙伴们组成，欢迎大家跟我们交流学习!
扫码关注我们
欢迎加入我们！
成员微信号：cy2011mcu
添加好友时请备注：
您的 单位-科室-姓名-研究方向
