基于支持向量機(jī)多模態(tài)超聲模型診斷腎疾病

李廣涵，劉 建，武敬平，田 艷，劉 將，馬立勇，劉躍軍，張 波，鄭 敏*

[1.中日友好醫(yī)院超聲醫(yī)學(xué)科，北京 100029；2.北京大學(xué)中日友好臨床學(xué)院，北京 100029；3.哈爾濱工業(yè)大學(xué)(威海)信息科學(xué)與工程學(xué)院，山東 威海 264209；4.哈爾濱理工大學(xué)自動(dòng)化學(xué)院，黑龍江 哈爾濱 150080]

腎臟疾病發(fā)病率較高, 易致終末期腎病[1]，需早期診斷與治療，以延緩腎功能惡化。不同類型腎臟疾病的臨床表現(xiàn)及治療方法存在較大差異[2]。常規(guī)超聲、彩色多普勒超聲等能觀察腎臟的大小及血流等情況，卻難以判斷腎臟組織的硬度。彈性成像通過無創(chuàng)方式判斷組織硬度，得到相應(yīng)部位楊氏模量，以客觀反映其彈性，其數(shù)值隨組織硬度的增大而增大[3]，近年來顯示出對(duì)于腎臟疾病具有良好應(yīng)用前景；但由于腎臟位置較深，結(jié)構(gòu)復(fù)雜，且測(cè)量硬度受血液和尿液的影響較大，單獨(dú)應(yīng)用彈性成像評(píng)價(jià)腎臟疾病存在一定局限性。本研究觀察基于常規(guī)超聲、彩色多普勒超聲和彈性成像的多模態(tài)超聲診斷腎臟疾病的價(jià)值。

1 資料與方法

1.1 一般資料 選取2019年5—12月在中日友好醫(yī)院接受超聲檢查的腎臟疾病患者，排除無法屏氣接受彈性成像、單側(cè)腎臟缺如、腎盂積水或腎臟腫瘤者。以94例經(jīng)腎臟粗針穿刺活檢獲得明確病理診斷者作為腎病組，男60例，女34例，年齡17～70歲，平均(42.1±13.1)歲；包括原發(fā)腎小球腎炎者53例，繼發(fā)腎小球腎炎者28例，小管-間質(zhì)疾病13例。選取同期109例肌酐正常且排除可能影響腎臟的疾病的住院或門診患者作為對(duì)照組，男59名，女50名，年齡16～79歲，平均(52.9±15.0)歲?；颊呔炇鹬橥鈺?/p>

1.2 儀器與方法 按照預(yù)先設(shè)計(jì)的調(diào)查問卷記錄2組患者一般情況后，采用邁瑞昆侖R8超聲儀進(jìn)行常規(guī)超聲、彩色多普勒超聲及彈性成像。囑患者仰臥或側(cè)臥，先以常規(guī)超聲分別測(cè)量雙腎長(zhǎng)度、寬度、皮質(zhì)厚度、髓質(zhì)厚度、實(shí)質(zhì)厚度及距皮深度。隨后行彩色多普勒檢查，于腎髓質(zhì)間測(cè)量葉間動(dòng)脈，于腎動(dòng)脈起始段或腎門處測(cè)量腎動(dòng)脈主干，分別測(cè)量上述血管的收縮及舒張期血流流速及血流阻力指數(shù)。最后進(jìn)入剪切波彈性模式，使探頭盡可能與腎臟包膜垂直，適當(dāng)經(jīng)探頭施壓后行彈性檢查，待彈性圖像穩(wěn)定后囑患者屏息，盡量調(diào)小圓形ROI的面積，確保其內(nèi)彩色充滿且均勻一致，并在5～10 s內(nèi)完成測(cè)量。每次測(cè)量后暫停彈性系統(tǒng)，重新開啟后再行下一次測(cè)量。依次測(cè)量右腎及左腎皮質(zhì)、髓質(zhì)和腎竇部剪切波速度，剪切波速度最少測(cè)量3次，取中位數(shù)為剪切波數(shù)值(圖1～3)。由2名具有5年以上超聲腹部診斷經(jīng)驗(yàn)和彈性成像操作經(jīng)驗(yàn)的超聲科主治醫(yī)師完成上述操作。

圖1 正常腎臟彈性成像圖，腎皮質(zhì)彈性值8.74 kPa

1.2.1 數(shù)據(jù)處理與統(tǒng)計(jì) 使用Microsoft Excel 2007軟件錄入臨床數(shù)據(jù)。按照3∶1比例將全部203例患者隨機(jī)分為2組，以其中153例作為訓(xùn)練樣本、50例為驗(yàn)證樣本。采用SPSS 25.0統(tǒng)計(jì)分析軟件，以獨(dú)立樣本t檢驗(yàn)比較單因素連續(xù)變量，篩選與腎病存在統(tǒng)計(jì)學(xué)關(guān)聯(lián)的指標(biāo)建模。以腎病組=1和對(duì)照組=0為因變量，將篩選出的單因素變量納入多因素Logistic回歸，變量納入的標(biāo)準(zhǔn)設(shè)置為0.05。采用Logistic混合逐步前向回歸(LR法)建立Logistic回歸預(yù)測(cè)模型，得到存在腎病與否的預(yù)測(cè)結(jié)果。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

1.2.2 SVM建模 采用Logistic回顧和SVM法，SVM采用二類支持向量機(jī)，其核函數(shù)包括線性核函數(shù)、高斯核函數(shù)和徑向基函數(shù)，通過優(yōu)化方法對(duì)核函數(shù)及其參數(shù)獲得最佳值，從而建立診斷模型。于Python 3.7平臺(tái)運(yùn)行SVM模型，以scikit-learn 0.22軟件進(jìn)行分析。采用網(wǎng)格優(yōu)化方法搜索SVM算法的核函數(shù)和各參數(shù)，逐步得到準(zhǔn)確率最高的模型架構(gòu)，選擇準(zhǔn)確率最高的核函數(shù)和參數(shù)作為預(yù)測(cè)模型。以敏感度、特異度、準(zhǔn)確率及AUC作為評(píng)價(jià)診斷效能的指標(biāo)。

圖2 男，52歲，不典型膜性腎病，彈性成像圖，腎皮質(zhì)彈性值4.96 kPa

圖3 男，31歲，IgA腎病伴缺血性腎損傷，彈性成像圖，腎皮質(zhì)彈性5.77 kPa

2 結(jié)果

2.1 單因素分析 6個(gè)單因素變量與腎病存在統(tǒng)計(jì)學(xué)關(guān)聯(lián)(P<0.05)，分別為右腎寬度、右腎實(shí)質(zhì)厚度、右腎皮質(zhì)厚度、左腎實(shí)質(zhì)厚度、左腎皮質(zhì)彈性硬度和右腎皮質(zhì)彈性硬度。其他觀察指標(biāo)與腎病無明顯統(tǒng)計(jì)學(xué)關(guān)聯(lián)。見表1。

表1 單因素變量檢驗(yàn)結(jié)果

2.2 建立Logistic多因素回歸模型 多因素回歸預(yù)測(cè)模型中包括3個(gè)因素，即右腎實(shí)質(zhì)厚度、右腎皮質(zhì)彈性硬度和左腎皮質(zhì)彈性硬度。Logit(p)=2.090×右腎實(shí)質(zhì)厚度—0.611×右腎皮質(zhì)彈性硬度—0.735×左腎皮質(zhì)彈性硬度+6.345。其中P為歸于腎病組的概率，取0.5為判斷界值，即P>0.5為腎病組，P<0.5歸為對(duì)照組。見表2。

表2 多因素逐步Logistic回歸結(jié)果

2.3 模型診斷效能比較 對(duì)建立的Logistic回歸模型進(jìn)行測(cè)試，用敏感度、特異度、準(zhǔn)確率和AUC評(píng)價(jià)診斷效能，SVM模型準(zhǔn)確率85.10%，與Logistic回歸模型(83.74%)接近(χ2=0.21，P=0.65)。見表3。

表3 SVM與Logistic回歸模型預(yù)測(cè)效果比較

3 討論

支持向量機(jī)(support vector machine, SVM)是一種基于結(jié)構(gòu)最小化理論的機(jī)器學(xué)習(xí)方法，適用于處理樣本量少的高維度的線性及非線性醫(yī)學(xué)相關(guān)數(shù)據(jù)[4]。本研究應(yīng)用SVM和Logistic回歸構(gòu)建模型判斷不同腎臟疾病，觀察聯(lián)合應(yīng)用常規(guī)超聲、彩色多普勒超聲和彈性成像診斷腎臟病變的效能，比較不同模型診斷能力的差異。

腎臟具有維持機(jī)體水和電解質(zhì)穩(wěn)定的重要作用，也是多種疾病的靶器官。不同類型腎損傷可導(dǎo)致腎小球硬化、腎小管萎縮及腎間質(zhì)病變等多種不同組織改變。腎臟代償能力較強(qiáng)，常規(guī)血尿檢驗(yàn)提示異常時(shí)，通常腎臟損傷已比較嚴(yán)重[5]，而此時(shí)常規(guī)超聲和彩色多普勒超聲可無特異性發(fā)現(xiàn)，僅能對(duì)腎臟大小和血流改變進(jìn)行觀測(cè)，使得無創(chuàng)且能定量評(píng)估腎臟疾病的影像學(xué)檢查手段成為臨床迫切需要。實(shí)時(shí)剪切波彈性成像技術(shù)是近年發(fā)展起來的新型超聲檢查技術(shù)[6]，通過向目標(biāo)組織施加激勵(lì)使之產(chǎn)生相應(yīng)組織位移，以超聲結(jié)合數(shù)字信號(hào)后處理技術(shù)評(píng)價(jià)目標(biāo)組織的彈性硬度，能無創(chuàng)、定量地反映組織彈性，現(xiàn)已逐步用于臨床診斷腎臟及腎臟相關(guān)疾病[7-8]。目前相關(guān)研究多單獨(dú)分析剪切波彈性成像與腎損傷的關(guān)系，聯(lián)合應(yīng)用常規(guī)超聲、彩色超聲和彈性成像診斷腎臟疾病者較少，且缺乏聯(lián)合診斷建立腎損傷的模型觀察。

本研究采用傳統(tǒng)統(tǒng)計(jì)學(xué)方法為L(zhǎng)ogistic回歸建模，需要較多樣本，對(duì)于分析小樣本高維度數(shù)據(jù)存在一定缺陷，故引入SVM思想建立診斷模型。首先將原始樣本數(shù)據(jù)映射到高維特征空間，然后識(shí)別一個(gè)超平面，將數(shù)據(jù)項(xiàng)分為2類；該超平面通過最大化兩類的距離和最小化分類錯(cuò)誤得到，具有較好的泛化能力[9]。既往研究[10-11]已證明SVM是解決醫(yī)療問題的有效方法。通過10次隨機(jī)分組方式，本研究建立的SVM模型計(jì)算10次檢驗(yàn)結(jié)果平均的準(zhǔn)確率，可最大程度地減少抽樣不均勻?qū)τ?xùn)練樣本和測(cè)試樣本造成的診斷結(jié)果的隨機(jī)誤差，從而更真實(shí)有效地反映SVM模型對(duì)腎臟疾病的診斷效能。

單因素分析結(jié)果顯示，常規(guī)二維超聲所示右腎寬度、右腎實(shí)質(zhì)厚度、右腎皮質(zhì)厚度及左腎實(shí)質(zhì)厚度在腎病組與對(duì)照組之間的差異具有統(tǒng)計(jì)學(xué)意義，且腎病組大于對(duì)照組。本研究腎病組患者均接受腎穿刺活檢，其中慢性腎病急性發(fā)作及急性腎病占比相對(duì)較高，急性腎病時(shí)腎臟存在腫脹和充血等改變，導(dǎo)致腎臟不同程度增大，故部分腎臟常規(guī)超聲測(cè)值增大。彈性成像測(cè)值中，雙側(cè)腎皮質(zhì)硬度組間差異有統(tǒng)計(jì)學(xué)意義，且腎病組低于對(duì)照組，可能與腎臟疾病患者腎血流減少，腎臟周圍纖維被膜形成，彈性受血液壓力影響大有關(guān)，與既往研究[12]相符。本研究Logistic回歸模型和SVM模型均將超聲彈性列為最終計(jì)算參數(shù)，提示剪切波彈性數(shù)值對(duì)于判斷腎病具有重要參考價(jià)值；但腎臟彩色多普勒血流參數(shù)在腎病組與對(duì)照組之間差異無明顯統(tǒng)計(jì)學(xué)意義，可能與腎病組僅包含1例高血壓腎病有關(guān)。本研究中Logistic回歸模型的預(yù)測(cè)準(zhǔn)確率為83.74%，SVM模型為85.10%，提示2種模型均具較好診斷效能，而SVM模型的可拓展性更高：Logistic模型主要在數(shù)據(jù)層面建立，而SVM可進(jìn)一步分析包括醫(yī)療圖像、文字描述等數(shù)據(jù)在內(nèi)的更多醫(yī)療信息，提高對(duì)腎臟疾病的判斷能力。

綜上所述，多模態(tài)超聲是無創(chuàng)診斷腎臟疾病的較好手段；SVM模型和Logistic模型均有較高診斷效能，尚需要更多數(shù)據(jù)加以進(jìn)一步優(yōu)化。