核極限學(xué)習(xí)機診斷乳腺良惡性腫塊樣病變

楊 迪，曹佳琦，張瀟月，王紅玉，張 貝，聶 品，孟 妍，于 軍，馮 筠*，陳寶瑩*

[1.空軍軍醫(yī)大學(xué)(第四軍醫(yī)大學(xué))唐都醫(yī)院放射診斷科，3.核醫(yī)學(xué)科，陜西 西安 710038；2.西北大學(xué)信息科學(xué)與技術(shù)學(xué)院，陜西 西安 710038；4.西安郵電大學(xué)計算機學(xué)院，陜西 西安 710121；5.西安交通大學(xué)第一附屬醫(yī)院長安區(qū)醫(yī)院放射科，陜西 西安 710100；6.西安國際醫(yī)學(xué)中心中心實驗室，陜西 西安 710075]

近年來，乳腺癌已成為全球女性罹患率最高的惡性腫瘤[1]。我國近10年乳腺癌發(fā)病率及死亡率均呈上升趨勢。乳腺癌患者的第1、3和5年觀察生存率分別為90.5%、80.0%和72.7%，5年相對生存率為73.0%[2]。目前MRI是乳腺疾病高危人群篩查、術(shù)前評估、乳腺新輔助治療、乳腺多發(fā)病變評估的首選檢查方法[3-4]。在機器學(xué)習(xí)技術(shù)中，診斷乳腺良惡性病變本質(zhì)上是一個分類問題，該技術(shù)可以輔助醫(yī)師減少因經(jīng)驗不足導(dǎo)致的診斷失誤,并為臨床應(yīng)用提供科學(xué)依據(jù),以簡化診斷流程。本研究參照2013年美國放射學(xué)會(American College of Radiology, ACR)提出的第2版乳腺影像報告和數(shù)據(jù)系統(tǒng)(breast imaging reporting and data system, BI-RADS)，提取乳腺腫塊樣病變的形態(tài)學(xué)、動態(tài)增強特征、ADC值及臨床資料共12項特征，并以機器學(xué)習(xí)技術(shù)中的核極限學(xué)習(xí)機(kernel extreme learning machine， KELM)對乳腺良惡性腫塊樣病變進行分類，現(xiàn)報道如下。

1 資料與方法

1.1 一般資料 連續(xù)收集2014年5月—2016年7月于空軍軍醫(yī)大學(xué)唐都醫(yī)院接受乳腺MR檢查的乳腺疾病患者225例，均為女性，年齡30～81歲，平均(44.6±10.3)歲；排除45例術(shù)后復(fù)查，16例MR檢查前經(jīng)內(nèi)分泌、激素類藥物治療，25例病變長徑<5 mm，3例乳腺MR檢查陰性，37例非腫塊樣強化，6例增生合并單純囊腫患者，共入組93例患者103個病灶。其中4例病灶雙側(cè)單發(fā)，3例右乳雙發(fā)灶、3例左乳雙發(fā)灶，其余均為單發(fā)病變。3例乳腺增生病例經(jīng)隨訪證實，其余患者均由手術(shù)或活檢病理證實。

1.2 儀器與方法 在患者月經(jīng)周期第7～14天進行MR掃描。采用GE Discovery MR750 3.0T MR掃描儀及乳腺MR專用線圈。囑患者俯臥，雙乳自然下垂，掃描范圍包括雙側(cè)乳腺及腋窩區(qū)。DWI采用軸位自旋平面回波序列，b=0、1 000 s/mm2，TR 3 600 ms，TE最小值，F(xiàn)OV 32 cm×32 cm，重建矩陣128×128，層厚4 mm，層間距1 mm。b=0時，激勵次數(shù)2；b=1 000 s/mm2時，激勵次數(shù)6。增強對比劑采用釓雙胺，劑量0.2 mmol/kg體質(zhì)量，以高壓注射器經(jīng)手背靜脈注入，流率2.0 ml/s；采用GE軸位乳腺動態(tài)增強掃描專用序列VIBRANT及ASSET并行采集技術(shù)，TR 3.9 ms，TE最小值，F(xiàn)OV 36 cm×36 cm，重建矩陣320×320，層厚1.4 mm，層間距0。連續(xù)掃描5次，然后間隔60 s，繼續(xù)掃描2次。

1.3 特征分類及診斷方式 在病變最大徑層面勾畫其邊緣作為ROI，盡量避開囊變、壞死區(qū)域。由2名分別具有5年、15年乳腺影像學(xué)診斷經(jīng)驗的醫(yī)師參照2013年ACR提出BI-RADS，觀察乳腺腫塊樣病變的形態(tài)學(xué)、動態(tài)增強特征、ADC值及臨床資料共12項特征(表1)，先獨立判定103個病變，然后在知曉患者年齡、月經(jīng)狀態(tài)的情況下獨立對103個病變進行特征分類，依據(jù)分類結(jié)果使用KELM方法區(qū)分良惡性病變。

1.5 模型驗證 將103個病變隨機分配，取80%作為訓(xùn)練組，20%作為測試組?？紤]到本實驗數(shù)據(jù)樣本較少，采用“5折交叉驗證”來評價KELM分類表達的有效性。使用Matlab軟件進行分析。

1.6 統(tǒng)計學(xué)分析 采用 SPSS 19.0統(tǒng)計分析軟件。以Kappa系數(shù)評估觀察者間一致性，Kappa≥0.85為一致性好。采用ROC曲線評估高、低年資醫(yī)師獨立及使用KELM鑒別診斷乳腺良惡性病變的效能。

2 結(jié)果

103個病灶中，惡性65個，其中浸潤性導(dǎo)管癌58個、導(dǎo)管內(nèi)原位癌2個、浸潤性小葉癌2個、乳腺髓樣癌1個、乳腺黏液腺癌1個、淋巴瘤1個；良性38個，包低年資、高年資醫(yī)師獨立對103個病變進行12項特征分類，經(jīng)KELM方法分類，5折交叉驗證取平均，其鑒別乳腺良惡性腫塊的效能見圖1、2。低、高年資醫(yī)師使用KELM診斷的一致性好(Kappa=0.92)。低年資醫(yī)師使用KELM方法分類診斷的特異度、準確率及AUC均較獨立診斷提高，且診斷特異度略高于高年資醫(yī)師獨立診斷，敏感度、準確率則與高年資醫(yī)師獨立診斷接近。高年資醫(yī)師使用KELM方法分類診斷的敏感度、特異度高于獨立診斷，兩者準確率相同，AUC相近。見表2。

表1 納入特征名稱及評分標準

注：強化初期由增強后獲得的第1期信號強度與增強之前的強度對比而獲得，增強強度<50%為緩慢強化，50%～100%為中等強化，>100%為快速強化括纖維腺瘤21個、腺病10個、乳腺增生3個、漿細胞乳腺炎1個、導(dǎo)管內(nèi)乳頭狀瘤2個、乳腺膿腫1個。

圖1 低年資醫(yī)師使用KELM方法經(jīng)5折交叉驗證所得ROC曲線 圖2 高年資醫(yī)師使用KELM方法經(jīng)5折交叉驗證所得ROC曲線

表2 低、高年資醫(yī)師獨立診斷與使用KELM鑒別診斷乳腺良惡性腫塊樣病變的效能

3 討論

乳腺MRI放射組學(xué)已經(jīng)成為診斷乳腺良惡性疾病、預(yù)測分子分型、評估新輔助化療效果及患者預(yù)后生存等領(lǐng)域的研究熱點。放射組學(xué)方法一般要經(jīng)歷圖像預(yù)處理、圖像分割、病灶特征提取與選擇以及機器學(xué)習(xí)分類等四步[5]。圖像分割對圖像本身、圖文工作站設(shè)備硬件及后處理軟件性能要求較高，且過程復(fù)雜。病灶準確標注不僅工作量大，且易因醫(yī)師標注水平不同而影響最終結(jié)果。Saha等[6]發(fā)現(xiàn)，基于不同數(shù)據(jù)來源及計算方法進行分類的各組紋理特征之間的觀察者間一致性差異較大，反映圖像增強信息特征的觀察者間一致性最低，約為0.63。放射組學(xué)提取的紋理特征抽象、繁雜，大部分不可解釋，尤其是深度學(xué)習(xí)無法與組織病理學(xué)改變相關(guān)聯(lián)，而BI-RADS指南中的描述性特征更直觀、形象，具有可解釋性，更易為醫(yī)師理解，在臨床應(yīng)用成熟、廣泛。因此，如何更有效地利用這些特征以提高診斷效能，是值得探討的問題。

既往研究[7-9]分析乳腺病變傳統(tǒng)MRI特征參數(shù)，發(fā)現(xiàn)病變形態(tài)、邊界、大小及增強曲線類型對于鑒別乳腺良惡性病變均具有較高敏感度，以這些特征參數(shù)進行聯(lián)合診斷可進一步提高診斷效能。汪飛[10]認為乳腺良惡性腫塊性及非腫塊性病變的形態(tài)學(xué)征象(形狀、邊緣、分布方式和內(nèi)部強化)及血流動力學(xué)征象(早期強化率和時間強度類型)差異均具有統(tǒng)計學(xué)意義。解卓等[11]運用機器學(xué)習(xí)的方法，聯(lián)合形態(tài)、邊緣、時間強度類型、長徑、ADC值共5個參數(shù)，采用K最近鄰(k-nearest neighbor， kNN)、支持向量機(support vector machine， SVM)兩種計算模型預(yù)測乳腺病變性質(zhì)，發(fā)現(xiàn)其平均敏感度、特異度均>80%。

本研究依據(jù)BI-RADS指南，將乳腺腫塊樣病變的邊緣、形狀、內(nèi)部強化方式、增強初期強化類型、延遲期強化類型以及T2信號特點單獨分類，分類標準明確且便于操作；結(jié)合患者年齡、絕經(jīng)與否、病灶A(yù)DC值、背景對照ADC值以及病變長徑、短徑等量化參數(shù)，共使用12個特征，不僅貼近醫(yī)師日常診斷方式，而且可在一定程度上反映病變的病理學(xué)特點。此外，本研究采用機器學(xué)習(xí)方法中的KELM進行分類模型構(gòu)建，并測試其分類效能。KELM是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)只需設(shè)置隱藏層節(jié)點數(shù)，然后采用最小二乘法計算出權(quán)值，在學(xué)習(xí)速度和泛化能力上具有很大優(yōu)勢[12]。黃家琦等[13]采用KELM方法對乳腺組織細胞核圖像的量化特征進行建模，KELM預(yù)測乳腺腫瘤良惡性的準確率達95.7%。本研究中低年資醫(yī)師使用KELM方法鑒別診斷乳腺良惡性腫塊樣病變的特異度、準確率及AUC均高于獨立診斷，且特異度略優(yōu)于高年資醫(yī)師獨立診斷，敏感度、準確率接近高年資醫(yī)師獨立診

斷；高年資醫(yī)師使用KELM方法診斷的敏感度、特異度高于獨立診斷，兩者準確率相同，AUC相近，提示采用KELM構(gòu)建的分類器可在簡化診斷流程的同時提高低年資醫(yī)師的診斷效能。

本研究主要不足在于僅為單中心研究，樣本量過小，下一步將擴大樣本量，并將嘗試聯(lián)合乳腺MR和X線兩種成像方法，篩選更多特征并進行特征間的聯(lián)合和融合，以進一步提高診斷效能。