原始论文
摘要
背景:近年来,便携式超声探头的进展和推广使超声(US)成为医生诊断时的有用工具。随着机器学习和深度学习的出现,开发一种筛查肾US异常的计算机辅助诊断系统,可以帮助全科医生早期发现儿童肾脏疾病。
摘要目的:在本文中,我们试图评估深度学习技术的诊断性能,将肾脏图像分类为正常和异常。
方法:我们选择了330张正常和1269张异常的儿童肾脏US图像来建立人工智能模型。异常图像包括结石、囊肿、高回声、占位性病变和肾积水。我们对原始图像进行预处理,用于后续的深度学习。我们重新定义了最终的连接层,用于从ResNet-50预训练模型中将提取的特征分类为异常或正常。模型的性能通过使用接受者工作特征曲线下的面积、准确性、特异性和敏感性的验证数据集进行测试。
结果:建立基于ResNet-50的深度学习模型,参数大小为94 MB,用于正常图像和异常图像的分类。结石、囊肿、高回声、占位性病变、肾积水验证图像的准确率(%)/曲线下面积分别为93.2/0.973、91.6/0.940、89.9/0.940、91.3/0.934、94.1/0.996。在验证数据集中,正常图像分类的准确率为90.1%。(%)/曲线下面积的总准确度为92.9/0.959。
结论:我们建立了一个有用的计算机辅助模型,用于根据正常和异常类别自动分类儿童肾脏US图像。
doi: 10.2196/40878
关键字
简介
肾脏异常是儿科医学的重要发现。人们普遍认为,通过超声(US)筛查可以有效地发现“无声的”肾脏异常,这使得早期诊断和干预成为可能[
, ].美国是一种安全、相对便宜、方便的医疗方式。便携式超声探头和互联网连接在近年来得到了很大的发展,甚至将儿科肾脏美国筛查的覆盖范围扩大到世界各地。然而,由于缺乏能够准确区分病变肾脏和正常肾脏的自动化过程,目前的方法仍然有限[ ].在美国100多万学童的一系列图像中发现的常见肾脏异常包括肾积水(39.6%)、单侧小肾(19.8%)、单侧发育不全(15.9%)、囊性疾病(13.9%)、异常形状-异位、马蹄形和重复肾(8%),以及其他,即结石、肿瘤和实质疾病(1.5%)[
].迄今为止,有关计算机辅助美国图像解译的出版物远少于基于计算机断层扫描或磁共振成像的出版物[
, ].US的使用带来了独特的挑战,例如图像采样的不同角度,噪声和伪影导致的低图像质量,对大量操作员的高度依赖,以及不同机构和制造商的US系统之间的高度观察者之间和内部的变异性[ ].从2021年发表的关于美国医学的综述[ ],涉及深度学习对肾脏US图像分类的研究仅有3项[ , , ].本研究选择了正常的儿童肾脏US图像,以及前面提到的不同类型的肾脏异常,用于机器学习。通过对原始图像进行预处理,对图像进行充分的分组,并进行深度神经网络训练,我们希望能够将肾脏图像正确地分类为正常或异常。本研究的目的是建立一个人工智能(AI)模型,用于筛查肾脏异常,以提高儿童的福祉,即使在没有儿科肾病医生的地区。
方法
伦理批准
本研究由台中市荣民总医院(台中市荣民总医院)机构评审委员会批准。CE20204A)。
材料
所使用的图像都是根据2000年1月至2020年12月台中退伍军人总医院儿科美国检查室的原始图像制作的。这里是飞利浦和Acuson制造的4台不同的美国机器,在这项研究中使用。所有图像都是由一位拥有20多年经验的美国技术人员使用4 MHz扇形换能器获得的。我们只选取了左、右肾脏的纵向图像。
我们建立了两个数据集。一个数据集用于训练,另一个数据集用于验证。这两组数据中的图像完全不同。
图像预处理与数据清洗
所有图像都与原始的一般数据分离,包括姓名、出生日期、检查日期和图表编号。所有图像的大小为600x480像素。我们使用软件处理图像,为机器学习获得足够的插图。如
经过预处理后,图像包含一个肾脏,同时检查得到的一个肝脏正方形,图像左上方可见灰度梯度。图像分组
正常图像为大小、形状正常,肾皮质或髓质清晰,无肾积水、高回声、囊肿、结石或任何占位性病变。我们为这个小组准备了330张图片。肾脏异常图像共1269张。异常包括肾积水、高回声、囊肿、结石和占位性病变。图像和检查的数量总结在
.肾超声图像的高回声表现为:与肝脏相比,肾皮质回声增强,肾皮质或肾髓质分化差,肾皮质或肾髓质回声反转。这些发现由2名儿科肾病学家判断。诊断 | 培训(例/图片) | 测试(例/图片) | 总数(例/图片) | |
正常的 | 132/264 | 32/66 | 164/330 | |
不正常的 | ||||
石头 | 146/342 | 37/85 | 183/427 | |
囊肿 | 100/215 | 25/53 | 125/268 | |
Hyperechogenicity | 60/132 | 15/33 | 75/165 | |
占位性病变 | 108/181 | 26/45 | 134/226 | |
肾盂积水 | 68/146 | 16/37 | 84/183 | |
总计 | 614/1280 | 151/319 | 765/1599 |
机器学习
我们使用ResNet-50预训练的模型进行特征提取[
- 从数据集ImageNet [ ].我们使用了ResNet的预训练权值,因此在特征提取过程中没有反向传播。所使用的输入数据为大小为800x600像素的肾超声图像。在将图像输入网络之前,我们将尺寸标准化为224x224像素。为了分类,我们重新定义了最终的全连通层,输出图像分类为异常或正常。训练图像经过Resnet50后,输出2048个。在最后的全连接层中有4个组件。第一个是线性层,具有2048个特征提取和512个输出。二是整流线性单元,它是一个分段线性函数,只输出正的结果。随后,我们增加了dropout层以防止过拟合。第4部分是另一个线性层,执行512个输入和2个输出,代表2个类别,即异常和正常类及其概率。
我们用Adam优化器以0.01的学习率优化模型[
].总共有30个epoch用于卷积神经网络训练。我们创建了一个94 MB大小的模型来分类正常和异常肾脏超声图像。 是对我们深度学习结构的总结。实验装置
我们实施了培训-测试方法。将数据集随机分为1272/1599张(79.55%)图像用于训练,327/1599张(20.45%)图像用于测试,建立模型。我们对数据集进行了10次随机化,以重复上一段中描述的机器学习。为了验证94 MB模型,另一个验证数据集包含327张儿童肾脏超声图像,包括66张(20.2%)正常,37张(11.3%)肾积水,53张(16.2%)囊肿,95张(29.1%)结石,53张(16.2%)高回声,26张(7.9%)占位超声图像。所有这些图像都与建立模型的数据集完全不同。
绩效评估
我们从单一图像结果评估性能。诊断表现由准确性、特异性、敏感性、阳性预测值和阴性预测值来衡量。为了计算上述指标,我们将异常结果定义为阳性,将正常结果定义为阴性。
结果
在对这1599张小儿肾脏超声图像进行30个epoch处理后,我们获得了满意的结果。数据集测试部分的性能指标显示在
.不同异常的准确率在95% ~ 100%之间。诊断(数量) | 精度(%) | 灵敏度(%) | 特异性(%) | AUC-ROC一个 | PPVb(%) | 净现值c(%) |
石头 | One hundred. | One hundred. | One hundred. | 0.974 | One hundred. | One hundred. |
囊肿 | 95.2 | 88.5 | One hundred. | 0.945 | One hundred. | 91.7 |
Hyperechogenicity | 98.3 | 96.2 | One hundred. | 0.938 | One hundred. | 97.1 |
占位性病变 | 98.7 | 95.6 | One hundred. | 0.935 | One hundred. | 97.1 |
肾盂积水 | One hundred. | One hundred. | One hundred. | 0.998 | One hundred. | One hundred. |
整体 | 98.4 | 96.39 | One hundred. | 0.961 | One hundred. | 97.2 |
一个AUC-ROC:受试者工作特征曲线下面积。
bPPV:阳性预测值。
cNPV:负预测值。
各异常的正确率为95.2% ~ 100%,总体正确率为98.4%。曲线下面积(auc)为0.935 ~ 0.998。总体表现的AUC为0.961。这10个随机测试之间没有差异(P> . 05)。我们使用涉及80%/20%训练/测试图像的不同随机化重复了10个实验,以检查机器学习性能的一致性。准确度为95.2% ~ 98.4%。这10项测试之间没有差异(P> . 05)。我们进行了5倍交叉检验,结果显示在
.我们通过机器学习和另外327张儿童肾脏US图像验证了94 MB模型。其中正常66例(20.2%),肾积水37例(11.3%),囊肿53例(16.2%),结石95例(29.1%),高回声53例(16.2%),占位性显像26例(7.9%)。基于单幅图像的性能总结在
.不同异常的准确率在89.9%至94.1%之间,平均为92.3%。AUC为0.934 ~ 0.996 ( ).AUC总体表现为0.959。宏F1是0.924。测试1 | 测试2 | 测试3 | 测试4 | 测试5 | 整体 | |
正常准确度(%) | 80 | 87.9 | 87.9 | 87.9 | 87.9 | 86.32 |
石材精度(%)/AUC一个 | 91.2/0.925 | 92.9/0.897 | 89.4/0.923 | 89.4/0.925 | 94.3/0.927 | 91.60/0.927 |
囊肿精度(%)/AUC | 75.4/0.858 | 90.6/0.896 | 84.9/0.927 | 90.6/0.898 | 82.1/0.891 | 85.3/0.903 |
高回波精度(%)/AUC | 84.8/0.848 | 81.8/0.855 | 81.8/0.862 | 81.8/0.862 | 81.8/0.891 | 84.2/0.859 |
占位性病变准确率(%)/AUC | 92.5/0.903 | 84.9/0.881 | 94.5/0.917 | 83.0/0.874 | 82.6/0.863 | 86.8/0.896 |
肾积水准确率(%)/AUC | 100/0.965 | 91.9/0.888 | 89.2/0.940 | 94.6/0.932 | 91.4/0.871 | 94/0.928 |
总准确度(%)/AUC | 87.8/0.903 | 89/0.887 | 87.8/0.928 | 87.5/0.902 | 87.7/0.901 | 88.3/0.900 |
一个AUC:曲线下面积。
诊断 | US图像,n (%) | 精度(%) | 灵敏度(%) | 特异性(%) | AUC-ROC一个 | PPVb(%) | 净现值c(%) | F1分数 |
正常的 | 66 (20.2) | N/Ad | N/A | 90.9% | N/A | N/A | N/A | N/A |
石头 | 93 (28.4) | 93.2 | 94.7 | N/A | 0.973 | 93.2 | 92.3 | 0.927 |
囊肿 | 53 (16.2) | 91.6 | 92.5 | N/A | 0.940 | 91.6 | 93.8 | 0.918 |
Hyperechogenicity | 53 (16.2) | 89.9 | 88.7 | N/A | 0.940 | 89.9 | 90.9 | 0.897 |
占位性病变 | 26日(7.9) | 91.3 | 92.3 | N/A | 0.934 | 91.3 | 96.81 | 0.923 |
肾盂积水 | 37 (11.3) | 94.1 | One hundred. | N/A | 0.996 | 94.2 | One hundred. | 0.957 |
整体 | 328 (100) | 92.9 | 96.1 | N/A | 0.959 | 93.6 | 77.92 | 0.924e |
一个AUC-ROC:受试者工作特征曲线下面积。
bPPV:阳性预测值。
cNPV:负预测值。
dN/A:不适用。
e宏F1.
讨论
本研究的主要发现是建立了一种有用的人工智能模型,可用于筛选异常儿童肾脏超声图像。平均准确率可达92.9%。该结果可实现本研究的主要目的——开发一种有用的计算机辅助诊断模型,用于自动筛选各种儿童肾脏US异常模式。在本研究中,基于卷积神经网络和微调的机器学习方法,结合我们独特的图像预处理方法和分类策略,实现了一种可行的临床模型。我们构建了一个稳定的分类器,它从头开始结合迁移学习和训练,平衡从足够的样本量中获取的医疗数据集的训练。
人工智能在肾脏方面的临床应用是多方面的,但肾脏超声在该领域的应用仍处于起步阶段[
, ].迄今为止,仅从肾脏US图像获得的报道相对有限,主要报道涉及急性和慢性损伤[ - ].大多数人工智能的肾脏图像研究使用磁共振成像、计算机断层扫描和肿瘤、结石、肾病、移植和其他疾病的患者组织学[ - ].与涉及US的深度学习相关的主要挑战包括可靠性、泛化性和偏差[ ].在肾脏US中增强AI性能的基础研究已经开始并仍在进行中[ - ].目前已有4篇关于临床AI应用于小儿肾US异常的研究报告[
, , , ].郑等[ 他发现,深度迁移学习方法在识别肾脏和泌尿道先天性异常方面提供了令人满意的准确性,即使数据集很小,只有50名患有先天性肾脏和泌尿道异常的儿童和50名儿童作为对照。尹等[ ]进行了类似的研究来检测后尿道瓣膜。苏达哈逊等[ ]使用3种不同的数据集对肾囊肿、结石和肿瘤进行识别,在高质量图像中准确率为96.54%,在噪声图像中准确率为95.58%。斯梅尔等[ ]尝试使用人工智能来分级肾积水,包括胎儿泌尿外科学会(SFU)的5分评分系统。通过将肾积水分为轻度和重度,最好的记录表现是78%的准确率。但是,当使用5分制时,准确率只有51%。在我们的研究中,我们建立了一个单独的94 MB模型来分类正常和异常的儿童肾脏超声图像。据Sudarharson等报道,异常的项目包括肾囊肿、结石和肿瘤[ ].此外,该模型能够识别肾积水和高回声图像。比较Smail等人的研究结果[ ],我们的结果显示对肾积水有更好的分类精度。37张经验证的图像为中度或重度肾积水,即SFU II、III和IV级。与之前报道的46%-54%的灵敏度相比,我们的模型可以达到100%的灵敏度[ ].在SFU类I方面,我们的模型精度为71.7%(119/166)。到目前为止,肾积水的分级一直是一个持续的挑战[
].轻度肾积水的极早期干预治疗仍然不足。如果患有轻度肾积水的儿童同时伴有其他肾脏异常,如结石、囊肿或高回声,我们的模型很有可能能够提供有关这些情况的任何令人担忧的信息。本研究对图像进行了独特的机器学习预处理,以提供同期研究中肝脏回声的比较。这一步对于鉴别高回声是必要的。其他异常,如肾积水、囊肿、结石、肿瘤,无论我们输入图像时是否加入含有肝脏回声的正方形以及图中左侧灰度梯度,在分类上均无差异
.如在 ,高回声识别的准确性和灵敏度低于其他异常。回声增强是评估肌肉、甲状腺、血管和肾脏疾病的重要发现[ ].在显微镜下检测肾实质疾病时,灰度US的一般敏感性为62% ~ 77%,特异性为58% ~ 73%,阳性预测值为92%。上述结果表明,超声回波变化对肾脏疾病的检测不够敏感。肾回声异常包括回声增强、肾皮质或髓质分化差、肾皮质和髓质回声反转[ ].在实践中,为了机器学习的目的,我们经常无法获得包含均匀肝脏回声的正方形。当由儿科肾病学家进行分类比较时,结果是可以接受的。肉眼也很难区分不那么显著的灰度差异。目前,所谓的“放射组学”信息正在出现,它可以帮助美国在人工智能领域成像。 ],更精确地评估美国像素可能会提高高回声的效用。本研究的局限性是医疗中心图像来源单一。需要使用更多来自不同医院、地区、种族和美国公司的图像。我们使用来自不同公司的美国图像进行了小规模的外部验证,包括通用电气、西门子和东芝。经图像预处理后,结果灵敏度100%,特异性80%,准确率90%。另一个限制是构成数据集的图像数量适中。我们没有从右肾或左肾分割图像进行训练,尽管结果可以接受。我们将基于更大的数据集进一步验证我们的方法。
综上所述,本研究提出了一种自动模型用于筛查儿童肾脏超声图像中的各种异常。我们将继续提高模型的性能,同时围绕其未来的临床应用进行更多的评估研究,包括作为筛查偏远地区儿童肾脏异常的辅助软件。
致谢
本研究由台中市荣民总医院(台中市荣民总医院)资助。tcvgh - 1106506 b, tcvgh - 1116504 - c)。本统计工作由中华民国科技部资助(资助MOST 110-2118-M-A49-002-MY3及110-2634-F-A49-005)。
利益冲突
没有宣布。
参考文献
- 谢晓平,刘伯明,洪春春,杨克勤,陈文文,林春春。小学生肾脏异常。儿科1989年12月;84(6):1086-1090。[Medline]
- 帕拉克P,巴塔NK,米什拉OP,什雷斯塔P,布哈托基S,马吉希S,等。无症状学龄儿童尿筛检肾异常。云南农学通报2012;4(3):551-555 [免费全文] [CrossRef] [Medline]
- 郑Q, Furth SL, Tasian GE,樊宇。结合纹理图像特征和深度迁移学习图像特征,基于超声成像数据的儿童先天性肾尿路异常计算机辅助诊断中华儿科泌尿学杂志2019年2月15日(1):75.e1-75。e7 [免费全文] [CrossRef] [Medline]
- 蔡杰,李志强,李志强,等。深度学习在超声中的应用综述:改进临床工作流程的人工智能超声。J Am Coll Radiol 2019 9月16日(9 Pt B):1318-1328。[CrossRef] [Medline]
- 尹硕,彭强,李华,张震,游X, Fischer K,等。超声成像数据的多实例深度学习用于儿童先天性肾尿路异常的模式分类。泌尿外科2020年8月;142:183-189 [免费全文] [CrossRef] [Medline]
- 刘松,王勇,杨旭,雷斌,刘林,李世祥,等。深度学习在医学超声分析中的应用综述。工程学报2019年4月;5(2):261-275。[CrossRef]
- De Jesus-Rodriguez HJ, Morgan MA, Sagreiya H.肾脏超声中的深度学习:概述,前沿和挑战。Adv慢性肾脏疾病2021年5月;28(3):262-269。[CrossRef] [Medline]
- 苏harson S, Kokil P.肾脏超声图像分类的深度神经网络集成。计算方法程序生物医学2020年12月;197:105709。[CrossRef] [Medline]
- Smail LC, Dhindsa K, Braga LH, Becker S, Sonnadara RR。使用深度学习算法来分级肾积水的严重程度:朝向临床辅助。前沿儿科2020;8:1 [免费全文] [CrossRef] [Medline]
- ResNet。PyTorch。URL:https://pytorch.org/hub/pytorch_vision_resnet[2022-10-05]访问
- 范锐,张凯,谢超,王晓荣,林佳杰。LIBLINEAR:用于大型线性分类的库。JMLR 2008; 9(61): 1871 - 1874。
- 何凯,张旭,任松。基于深度残差学习的图像识别。2016年发表于:IEEE计算机视觉和模式识别会议论文集;2016年6月27-30日;美国内华达州拉斯维加斯。[CrossRef]
- 潘世杰,杨强。迁移学习研究综述。IEEE反式。"。数据工程2010年10月;22(10):1345-1359。[CrossRef]
- Abadi M. TensorFlow:大规模学习函数。SIGPLAN Not 2016 12月05日;51(9):1-1。[CrossRef]
- Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. Dropout:一种防止神经网络过拟合的简单方法。JMLR 2014; 15(56): 1929 - 1958。
- Rashidi P, Bihorac A.人工智能方法改善肾脏护理。Nat Rev Nephrol 2020 Feb;16(2):71-72 [免费全文] [CrossRef] [Medline]
- 李敏,李伟,李志强,李志强,李志强。肾癌管理3.0:人工智能能让我们更好吗?《中国日报》2021年7月1日;31(4):409-415。[CrossRef] [Medline]
- 郭超,张超,刘凯,林伟,蒋华,钟聪,等。基于深度学习的基于超声的肾脏成像的肾功能预测和分类自动化。NPJ数字医学2019;2:29 [免费全文] [CrossRef] [Medline]
- 班达拉MS, Gurunayaka B, Lakraj G, Pallewatte A, Siribaddana S, Wansapura J.基于超声的慢性肾脏疾病放射组学特征。学术Radiol 2022年2月;29(2):229-235。[CrossRef] [Medline]
- 应峰,陈松,潘刚,何忠。超声图像下人工智能脉冲耦合神经网络算法在严重脓毒症并发急性肾损伤诊治中的应用。J Healthc Eng 2021;2021:6761364 [免费全文] [CrossRef] [Medline]
- 徐震,徐志勇,王志强,王志强,等。基于深度学习的人工智能(AI)方法在多期MRI上区分透明细胞肾细胞癌与嗜酸细胞瘤。临床影像2021年9月;77:291-298。[CrossRef] [Medline]
- Yildirim K, Bozdag PG, Talo M, Yildirim O, Karabatak M, Acharya UR。基于冠状面CT图像的肾结石自动检测的深度学习模型。Comput生物学医学2021年8月;135:104569。[CrossRef] [Medline]
- Hermsen M, Volk V, Bräsen JH, Geijs DJ, Gwinner W, Kers J,等。利用多重酪胺信号放大和深度学习定量评估肾移植活检中的炎症浸润。实验室投资2021年8月;101(8):970-982 [免费全文] [CrossRef] [Medline]
- Farris AB, Vizcarra J, Amgad M, Cooper LAD, Gutman D, Hogan J.人工智能和算法计算病理学:肾移植实例的介绍。组织病理学2021 5月;78(6):791-804 [免费全文] [CrossRef] [Medline]
- De Jesus-Rodriguez HJ, Morgan MA, Sagreiya H.肾脏超声中的深度学习:概述,前沿和挑战。Adv慢性肾脏疾病2021年5月;28(3):262-269。[CrossRef] [Medline]
- 陈刚,戴勇,张娟,殷霞,崔林。MBANet:多分支感知网络在肾脏超声图像分割中的应用。Comput生物医学2022年2月;141:105140。[CrossRef] [Medline]
- 李志强,李志强,李志强,等。超声、CT和MRI同时进行五个人工智能数据挑战。诊断影像学2019年4月;100(4):199-209。[CrossRef] [Medline]
- 肾积水分级:一个持续的挑战。前儿科2020;8:458 [免费全文] [CrossRef] [Medline]
- Quaia E, Correas JM, Mehta M, Murchison JT, Gennari AG, van Beek EJR。灰度超声、彩色多普勒超声和肾实质疾病的对比增强超声。超声Q 2018 Dec;34(4):250-267。[CrossRef] [Medline]
- 肾实质结构与功能的放射影像研究。Nat Rev Nephrol 2016 Jun;12(6):348-359。[CrossRef] [Medline]
缩写
人工智能:人工智能 |
AUC:曲线下面积 |
学院:胎儿泌尿学学会 |
我们:超声波 |
C·洛维斯编辑;提交12.07.22;作者:M Lee, Y Fan, SJC Soerensen, V Khetan, S Yin;对作者03.08.22的评论;修订本收到16.09.22;接受02.10.22;发表02.11.22
版权©蔡明钦,卢宏成,张月川,黄永杰,傅林世恩。最初发表于JMIR医学信息学(https://medinform.www.mybigtv.com), 02.11.2022。
这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR医学信息学上的原创作品。必须包括完整的书目信息,https://medinform.www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。