磁共振图像中前交叉韧带撕裂的人工智能辅助诊断:算法开发与验证研究

介绍

前交叉韧带(ACL)是膝关节的重要韧带，是一种常见的、毁灭性的运动损伤，每年在美国影响超过20万人[1，2]。早期正确诊断前交叉韧带撕裂是至关重要的，可以导致早期干预，以防止随后的软骨或半月板损伤和早期骨关节炎[3.]。忽视诊断可导致手术时前交叉韧带撕裂的慢性时间延长，并与骨关节炎的发展呈正相关[4]。关节镜可直接观察膝关节关节内病变，是前交叉韧带撕裂最准确的诊断工具[5]。然而，这是一种具有潜在手术风险的侵入性手术。

如果由经验丰富的肌肉骨骼放射科医生进行诊断，磁共振成像(MRI)是一种强大的、无创的检测前交叉韧带撕裂的工具，具有很高的灵敏度和特异性[6，7]。然而，对于经验不足的医务人员来说，阅读磁共振图像并准确诊断前交叉韧带撕裂是一项挑战。

利用深度学习进行图形识别是人工智能的重要组成部分。利用具有重复输入和输出数据的卷积神经网络(CNN)，已建立的算法可以学习特征层并反复调整其神经网络，从而模拟医学图像及其解释之间的复杂关系[8]。cnn可能在医学成像任务中有用;因此，开发一种计算机辅助工具，从磁共振图像中检测前交叉韧带撕裂，可能有助于减少医生的工作量，增加教育，减少误诊，并提高资源有限地区的医疗质量[9]。

在这项研究中，我们的目标是使用AI来(1)从完整的MR图像中诊断前交叉韧带撕裂(对于那些没有受过阅读膝关节MRI训练但仍想诊断它的人);(2)从完整的MR图像中识别出ACL撕裂的撕裂图像(对于从第一个模型中获得ACL撕裂结果后需要高级信息的图像);(3)从选择的MR图像中区分撕裂ACL和完整ACL图像(对于那些能够识别包含ACL的图像但对诊断没有足够信心的人)。

方法

伦理批准

本回顾性研究经台北荣民总医院机构审查委员会批准(2018-11-005CC)。

患者选择和数据库

800例前交叉韧带撕裂(n=1205)和完整前交叉韧带(n=1018)的矢状面MR图像和200例完整前交叉韧带(100例前交叉韧带撕裂和100例完整前交叉韧带)的膝关节MR图像;提取2013年1月至2017年12月期间接受膝关节MRI检查的患者撕裂和完整的acl图像(n=335,742)，用于训练目的(训练集)。200例独立病例的完整MR图像(ACL撕裂100例，完整ACL 100例;N =34,914)为检验目的(检验集)。患者平均年龄28.1岁，66.4%(664/1000)为男性。患者群体与先前报道的前交叉韧带撕裂发生率较高的群体相似[10]。我们相信这些模型在大多数患者群体中具有常规应用。

膝关节MR图像排除了以下膝关节情况的患者:膝关节周围肿瘤、既往膝关节手术、多发韧带损伤、骨关节炎(kelgren - lawrence分类2至4级)和既往膝关节周围骨折。在我们医院或其他医院对膝盖进行MRI检查，然后将其上传到我们的系统以获得第二意见。在我们医院有6种不同的MRI扫描仪用于膝关节检查，我们没有限制我们获得图像的扫描仪。此外，我们没有在上传的图像中识别扫描仪。本数据库中，撕裂前交叉韧带mri在我院进行的占76.8%(384/500)，在其他医院进行的占23.2% (116/500);完整acl mri 84.6%(423/500)在我院完成，15.4%(77/500)在外院完成。因此，本研究中使用的图像并不局限于一家医院或特定的MRI扫描仪。

2名骨科医生和1名肌肉骨骼放射科医生独立制定了acl撕裂或acl完整病例的确定方案，并对MR图像进行了审查，并正式发表了报告。此外，所有ACL撕裂的患者都接受了关节镜下ACL重建手术，因此ACL撕裂病例也通过关节镜检查得到证实。3位医生对矢状撕裂-前交叉韧带(图1)和完整acl (图2)图像。

‎ 查看此图

‎ 查看此图

第一个模型是为临床医生设计的，他们没有受过阅读膝关节MR图像的训练，但想知道前交叉韧带是否撕裂。为此，我们首先训练了一个CNN模型来区分撕裂前交叉韧带、完整前交叉韧带和其他图像与完整的膝关节MR图像。将800例完整前交叉韧带撕裂的矢状面MR图像和200例完整膝部MR图像(将完整前交叉韧带撕裂的图像提取出来)作为其他图像对模型进行训练和验证(表1）.包含完整acl图像或同时包含完整acl和撕裂acl图像的病例视为完整acl病例，仅包含撕裂acl图像的病例视为撕裂病例。这与一些读者经常使用的策略相似;如果在完整的MR图像中可以识别出完整的ACL图像，则可能表明ACL撕裂的可能性较小。相反，如果在对患者进行膝关节MRI检查时没有发现完整的前交叉韧带，则表明前交叉韧带撕裂。

由于第一个模型没有提供识别撕裂acl图像的信息，因此开发了第二个模型，以便从第一个模型中诊断为acl撕裂病例的完整MR图像中识别它们。因此，第二个模型适用于在获得acl撕裂结果后需要高级acl撕裂图像信息的人员。为此，使用训练集中100例acl撕裂病例的撕裂图像和其他图像进行训练和验证(表2）.

第三个模型用于从选择的MR图像中区分撕裂acl和完整acl图像。这个模型被更有经验的读者使用，他们能够识别含有acl的矢状面图像，但需要帮助才能做出正确的诊断。为此，我们纳入撕裂和完整acl的矢状面MR图像进行训练(表3）.

基于自动深度学习软件的图像预处理与CNN模型训练

所有图像从成像系统下载为可移植网络图形格式的256 × 256像素图像，随后如前所述进行分组，用于训练3种不同的CNN模型。人工智能方法使用MAIA自动深度学习软件进行医学图像分析(版本1.2.0;Muen生物医学和光电技术公司)，在之前的研究中使用了[11]。MAIA的CNN模型基于EfficientNet-B0，使用ImageNet进行预训练[12，13]。在输入训练组的MR图像后，80%的图像被分配用于训练，20%的图像被分配用于验证并找到最理想的CNN模型(图3）.然后用水平翻转和高斯噪声增强MR图像[14]。加入dropout函数和不同的数据增强方法，防止模型在数据集中过拟合[15，16]。对于训练中的超参数，将epoch数设置为100，根据内存消耗自动选择批大小，并通过余弦退火和1周期策略动态调度学习率[17，18]。使用Adam优化算法对网络进行端到端训练，该算法将交叉熵作为损失函数进行优化[19]。对于分类，在多类分类和二元分类中分别使用softmax或sigmoid层作为输出层。MAIA分析使用Python(版本3.x;Python Software Foundation)和PyTorch(版本1.1.x;Meta AI)在Windows 10笔记本电脑上使用GeForce RTX2070显卡(8gb GDDR6 RAM, GT63 Titan 8SF;MSI)。

‎ 查看此图

CNN模型性能评估

为了评估模型如何区分撕裂acl，完整acl和其他图像，使用200个独立病例来测试模型。为了评估ACL撕裂诊断的准确性，识别出包含完整ACL图像的病例被视为完整ACL病例，其余病例被诊断为ACL撕裂(图4）.为了评估从诊断为ACL撕裂的病例中识别撕裂图像的二级模型，使用独立测试集中的100例ACL撕裂病例进行测试(图5）.为了评估从选择的MR图像中区分完整ACL和撕裂ACL图像的第三种模型，使用独立测试集中标记为撕裂ACL和完整ACL的矢状MR图像(图6）.最后，我们比较了第一种模型与骨科住院医师和医学生诊断前交叉韧带撕裂的性能。为此，从测试集中随机选择40例(20例撕裂，20例完整)来测试不同经验的读者(即骨科住院医师和医学生)。在去除个人、临床、手术和机构信息后，将完整的图像提供给读者，以专注于MRI的阅读。住院医生被分为三组:第一组(住院总医师和体育研究员)，第二组(第三和第四年住院医师)，第三组(第一和第二年住院医师)。每组5人。我们排除了每组最高和最低的准确率结果，每组的准确率为3位读者的平均准确率。比较了机器和不同经验读者的结果精度。

‎ 查看此图

‎ 查看此图

‎ 查看此图

统计分析

采用几种指标评估3种模型的有效性，包括准确性、灵敏度、特异性、f1评分、受试者工作特征曲线和曲线下面积，这些指标由Python计算。采用SPSS软件包(version 22;IBM公司)。统计学显著性设为P<。0.05, 95% CI。

结果

该模型区分撕裂acl、完整acl和其他图像的准确率为0.9946。灵敏度、特异度、精密度和f1评分分别为0.9344、0.9743、0.8659和0.9980 (表4和图7）.ACL的诊断准确率为0.96 (图8）.该模型从acl撕裂病例完整图像中识别撕裂acl图像的准确率为0.9943。灵敏度为0.9154，特异度为0.9660，精密度为0.8167,f1评分为0.8632。（表4和图9）.该模型区分撕裂和完整acl图像的准确率为0.9691。灵敏度、特异度、精密度和f1评分分别为0.9827、0.9519、0.9632和0.9782 (表4和图10）.

第一种模型的准确性，以及不同经验的骨科住院医师和医学生诊断前交叉韧带撕裂的准确性显示在表5。从测试集中随机抽取40个案例进行阅读比较，结果表明该模型的阅读准确率显著高于经验不足的住院医师和医学生。

‎ 查看此图

‎ 查看此图

‎ 查看此图

‎ 查看此图

讨论

主要研究结果

本研究证明了使用人工智能方法从完整的MR图像中诊断ACL撕裂的可行性，准确率为96%，从ACL撕裂病例中识别撕裂ACL图像的准确率为99.4%，从选择的MR图像中区分完整ACL和撕裂ACL图像的准确率为96.9%。该模型的诊断准确率也明显高于骨科住院医师和医学生。

MRI是一种高度准确的评估前交叉韧带撕裂的工具，其准确性、敏感性和特异性超过90% [20.，21]。在一次完整的MR扫描中，理想情况下，膝关节应该在3个正交平面上成像:矢状面、冠状面和轴向面。检查时，患者在扫描仪中仰卧位，膝关节放松，轻度屈曲和轻微外旋(5°-10°)。这个位置使ACL与成像矢状面正交[22]。因此，在所有3个平面中，矢状面图像显示ACL最清晰，尤其是t2加权序列[23]。在临床上阅读膝关节MR图像时，矢状面图像比其他平面更常用于评估前交叉韧带的状况。因此，我们选择使用完整或撕裂前交叉韧带的矢状面图像作为AI方法的目标来开发3个模型。

在正常的膝关节中，前交叉韧带位于股骨外侧髁和胫骨前中部之间，连接胫骨前棘。矢状面MR图像呈紧绷直带，平行于髁间顶(Blumensaat线)，T1和t2加权图像信号强度低(图2）.然而，与完整acl图像相比，MR图像上的撕裂acl符号有许多变化。这些变异包括韧带不同部位(近端、中端或远端)的不连续性[24]，异常增加的信号强度，和异常的形态，如波浪，褶皱或成角。在慢性撕裂中，由于撕裂韧带的吸收，前交叉韧带甚至可能无法可见(图1）.因此，与完整的acl图像相比，扭曲acl图像的可变外观使它们的读取更加复杂。在第一个模型中，结果表明该模型识别撕裂acl图像的准确率低于完整acl图像(0.87 vs 0.94)。将其他图像错误预测为撕裂acl图像的情况较多，其中许多错误预测发生在完整acl病例中，将完整acl和撕裂acl图像同时识别为完整acl病例(19例)。然而，在acl撕裂病例中，其他图像作为完整acl图像的错误预测较少(4例)。所有结果都反映了撕裂- acl图像的变化。因此，在诊断acl撕裂时，包含完整acl图像的病例被视为完整病例，因为模型识别的准确性更高。其余未见完整前交叉韧带图像者视为撕裂。利用这一原理排除ACL撕裂病例，ACL撕裂的诊断准确率可达96%，与许多使用不同人工智能方法的研究相当[25-27]。这种方法可以帮助那些没有受过阅读膝关节MRI训练但想知道前交叉韧带是否撕裂的人员。除了诊断ACL撕裂外，本研究还证明了从ACL撕裂病例的完整MR图像中识别ACL图像并区分完整ACL图像和撕裂ACL图像的可行性，具有良好的准确性和f1评分。这些模型可用于各种用户需求。

从模型阅读测试集中随机抽取40例，分别来自不同经验的住院医师和医学生。每个病例提供的图像都是完整的MRI检查，包括所有平面和序列。结果表明，该模型对acl撕裂病例的诊断准确率显著高于医学生和实习骨科住院医师。对于骨科医生或放射科医生来说，阅读磁共振图像来识别前交叉韧带撕裂是相对常规的。然而，对于经验不足的读者，该模型可以提供一个有用的参考，当他们不确定的诊断。

在本研究中，我们没有仅从一台特定的MR扫描仪中提取图像。这是因为，在日常实践中，医院可能有多个扫描仪，有时医生可能需要从另一家医院的未知扫描仪读取MR图像。本研究的MR图像是使用我们研究所的6台不同的MR膝关节扫描仪获得的，这些扫描仪分别来自2家不同的公司，购买于不同的年份。除了在我院获得的MR图像外，当患者来复诊或要求手术时，也会从其他医院获取图像并上传至我们的图像系统。因此，我们的数据集包含来自不同扫描仪的图像，并且模型不太可能从扫描仪中学习到与ACL状况无关的一些工件。我们证明了这些模型可以很好地用于包含来自不同扫描仪的MR图像的独立测试集。

与前期工作比较

据报道，在许多使用不同人工智能方法的研究中，使用深度学习方法检测ACL撕裂的准确率超过95% [25-28]。尽管如此，在这项研究中有一些新奇之处，我们认为它们在日常实践中的应用是可以比较的。首先，我们从异构磁共振扫描仪中提取图像。在以前的研究中，只使用了1或2台扫描仪;然而，一个机构只有1 - 2台MRI扫描仪的情况并不常见。因此，开发一种深度学习算法，使用来自不同磁共振扫描仪的图像进行训练，可能会更好地代表许多医院的真实情况。对于独立测试集，我们使用了MRI检查的完整图像，并且对扫描仪使用的方案没有限制，这与以往的研究不同。其次，我们使用不同的方法来诊断前交叉韧带损伤。我们排除了包含完整acl图像的病例，这些病例通过人工智能方法识别，诊断acl撕裂病例的准确率为96%。第三，我们针对不同用途的用户开发了3种不同的模型:(1)从完整的MR图像中诊断ACL撕裂; (2) to identify torn-ACL images from complete MR images with a diagnosis of ACL tears; and (3) to differentiate intact-ACL and torn-ACL MR images from the selected images. Users with different experiences require different types of help. These 3 models are tailored to assist users with different needs by providing them with relevant information using an AI approach, which has not been previously reported.

限制

我们的研究有一些局限性。首先，我们没有标记部分撕裂的acl图像。前交叉韧带部分撕裂比完全撕裂更难诊断，并且在MR图像上诊断的准确性较差[29]。因此，在本研究中，我们没有使用部分撕裂的图像进行训练或测试。然而，如果将部分撕裂病例输入到模型中，由于该模型无法识别完整的ACL图像，因此该模型可以将该病例诊断为ACL撕裂。这一发现可能会提醒用户该病例是acl撕裂病例，并且该病例可能需要骨科专家进行双重检查。其次，我们仅使用矢状面撕裂前交叉韧带和完整前交叉韧带图像来诊断前交叉韧带撕裂。考虑到其他平面的图像也可以辅助诊断，将其他平面的图像加入到训练中可能会提高读取精度。第三，我们没有记录MR扫描仪的细节，因为从其他医院拍摄的图像无法识别扫描仪的信息。

结论

本研究证明了使用人工智能方法从完整的MR图像中诊断ACL撕裂的可行性(准确率为96.0%)，从ACL撕裂病例中识别撕裂ACL图像，并从所选的MR图像中区分完整ACL和撕裂ACL图像。这些模型可以作为临床决策支持系统，为不同经验和目的的临床医生在阅读膝关节mri时诊断ACL损伤。