基于機(jī)器學(xué)習(xí)的多種分類(lèi)模型在新型冠狀病毒肺炎與社區(qū)獲得性肺炎鑒別診斷中的效能

田斌， 余暉， 任基剛， 汪漢林， 徐井旭， 黃陳翠

目前新型冠狀病毒肺炎(corona virus disease 2019,COVID-19)仍在全球廣泛傳播,COVID-19的篩查和確診主要依靠核酸檢測(cè)，胸部CT作為一種重要的診斷手段不容忽視，已成為篩選、診斷和評(píng)估新型冠狀病毒肺炎嚴(yán)重程度的重要工具[1]。因?yàn)镃OVID-19患者首次聚合酶鏈?zhǔn)椒磻?yīng)(reverse transcription poly-merase chain reaction,RT-PCR)檢查的平均時(shí)間為(30±13)h[2]，因此，胸部CT檢查不僅對(duì)COVID-19的診斷起到預(yù)警作用[3,4]，還可以在等待RT-PCR結(jié)果時(shí)將可疑患者分流、隔離，為疫情的防控爭(zhēng)取時(shí)間。

因此，COVID-19患者的診斷與鑒別診斷非常重要，其早期診斷可避免在等待核酸檢測(cè)結(jié)果的過(guò)程中造成進(jìn)一步的蔓延和播散。由于傳統(tǒng)的人工閱片方法鑒別診斷COVID-19與社區(qū)獲得性肺炎(community acquired pneumonia，CAP)具有局限性，所以將人工智能(artificial intelligence,AI)技術(shù)用于COVID-19與CAP的鑒別診斷成為當(dāng)下研究的熱點(diǎn)。部分學(xué)者運(yùn)用線性支持向量機(jī)模型(linearSVM)鑒別診斷COVID-19與CAP，結(jié)果表明linearSVM模型可以有效鑒別COVID-19與CAP[5]。然而，機(jī)器學(xué)習(xí)的分類(lèi)模型種類(lèi)繁多，給應(yīng)用的選擇帶來(lái)一定困難。此外，目前并不清楚其它分類(lèi)模型是否也能有效鑒別COVID-19與CAP。因此，本研究通過(guò)應(yīng)用14種常用的機(jī)器學(xué)習(xí)分類(lèi)模型鑒別COVID-19和CAP，旨在探討鑒別COVID-19與CAP效能最高的機(jī)器學(xué)習(xí)分類(lèi)模型，為臨床醫(yī)師的早期干預(yù)提供更充分的影像學(xué)依據(jù)。

材料與方法

1.病例資料

搜集經(jīng)臨床確診的COVID-19患者86例和CAP患者100例，包括其胸部CT圖像及臨床資料。

COVID-19患者納入標(biāo)準(zhǔn)：①至少兩次核酸檢測(cè)陽(yáng)性的新型冠狀病毒肺炎患者；②患病期間有至少一次胸部CT掃描，圖像含有薄層圖像(層厚≤3 mm)，且肺部有炎性CT表現(xiàn)。CAP患者納入標(biāo)準(zhǔn)：①至少兩次核酸檢測(cè)為陰性的肺炎患者；②患病期間至少有一次胸部CT檢查，圖像含有薄層圖像(層厚≤3 mm)，且肺部有炎性CT表現(xiàn)。排除標(biāo)準(zhǔn)：①胸部CT圖像中有運(yùn)動(dòng)偽影致病灶顯示不清；②CT圖像中病灶太小不能識(shí)別或肺部無(wú)炎性CT征象；③胸部CT無(wú)薄層圖像(層厚≤3 mm)；④臨床資料、核酸檢測(cè)資料丟失者。

2.研究方法

研究的機(jī)器分類(lèi)學(xué)習(xí)流程包括回顧性數(shù)據(jù)采集、圖像預(yù)處理、肺部病變分割、特征提取、特征選擇和特征構(gòu)建、性能評(píng)價(jià)，流程見(jiàn)圖1。對(duì)患者進(jìn)行胸部CT檢查,按照胸部CT標(biāo)準(zhǔn)的成像方案進(jìn)行掃描及重建。

圖1 利用14種機(jī)器學(xué)習(xí)模型對(duì)COVID-19與CAP的鑒別診斷流程。

3.圖像的分割及預(yù)處理

將所有病例的胸部CT圖像以DICOM格式導(dǎo)入深?？蒲衅脚_(tái)(https://research.deepwise.com)進(jìn)行自動(dòng)分割，分別由兩位經(jīng)驗(yàn)豐富的放射科醫(yī)生對(duì)自動(dòng)分割的病灶進(jìn)行修改、確認(rèn)后提交，以避開(kāi)血管及肋骨等非病灶區(qū)域(圖2～7)。

圖2 經(jīng)臨床確診的COVID-19病例，藍(lán)色線條表示邊界。a～c) 病灶被準(zhǔn)確分割，避開(kāi)了肋骨。 圖3 經(jīng)臨床確診的COVID-19病例，藍(lán)色線條表示邊界。a～c) 密度不均勻的層面被準(zhǔn)確分割。 圖4 經(jīng)臨床確診的COVID-19病例，藍(lán)色線條表示邊界。a～c) 密度淺淡的層面被準(zhǔn)確分割。 圖5 經(jīng)臨床確診的CAP病例，藍(lán)色線條表示邊界。a～c) 病灶被準(zhǔn)確分割，避開(kāi)了肋骨和胸膜。 圖6 經(jīng)臨床確診的CAP病例，藍(lán)色線條表示邊界。a～c) 病灶被準(zhǔn)確分割，避開(kāi)了血管及支氣管。 圖7 經(jīng)臨床確診的CAP病例，藍(lán)色線條表示邊界。a～c) 密度不均勻的層面被準(zhǔn)確分割，并避開(kāi)了降主動(dòng)脈。

14種分類(lèi)模型采用同樣的圖像預(yù)處理方式。在本研究中，采用了B樣條插值采樣技術(shù)(B-spline interpolation resampling techniques)進(jìn)行圖像預(yù)處理，即將原始薄層圖像重新采樣到1 mm×1 mm×1 mm的分辨率，應(yīng)用高通或低通小波濾波器(wavelet filter)和拉普拉斯高斯濾波器(laplacian of gaussian filter)對(duì)原始圖像進(jìn)行預(yù)處理及圖像變換。

4.特征提取和篩選

提取原始圖像和預(yù)處理后圖像的影像組學(xué)特征，包括基于原始圖像或預(yù)處理后圖像像素值的一階特征、描述腫瘤形態(tài)的形態(tài)特征及描述腫瘤內(nèi)部和表面紋理的灰度共生矩陣(gray level co-occurrence matrix，GLCM)、灰度游程矩陣(gray level run length matrix，GLRLM)、灰度區(qū)域大小矩陣(gray level size zone matrix，GLSZM)和灰度相依矩陣(gray level dependence matrix，GLDM)紋理特征。為了消除病變標(biāo)注所帶來(lái)的影響，對(duì)組間進(jìn)行一致性分析，刪除一致性小于0.75的特征，然后對(duì)特征進(jìn)行相關(guān)性分析，隨機(jī)剔除相關(guān)性大于0.9的特征，最后采用Lasso算法用于特征降維和篩選，找出系數(shù)不為零的最重要特征用于建模，提升模型表現(xiàn)。

5.建立放射組學(xué)特征

利用線性支持向量機(jī)(linear SVM)分類(lèi)器[6]、增強(qiáng)學(xué)習(xí)分類(lèi)器(Ada Boost)[7]、邏輯回歸分類(lèi)器(logistic Regression)[7-10]、線性支持向量分類(lèi)器(LinearSVC)[11]、決策樹(shù)分類(lèi)分類(lèi)器(Decision Tree)[12]、隨機(jī)森林分類(lèi)器(Random Forest)[9,13]、梯度推進(jìn)分類(lèi)器(Gradient Boosting)[14,15]、極端梯度增加算法分類(lèi)器(XGBoost)[16]、伯努利貝葉斯分類(lèi)器(BernoulliNB)[17]、高斯貝葉斯分類(lèi)器(GaussianNB)[18]、最臨近規(guī)則分類(lèi)器(K Nearest Neighbors)[19,20]、線性判別分析分類(lèi)器(LinearDiscriminant Analysis)[9,21]、隨機(jī)梯度下降分類(lèi)器(stochastic gradient descent，SGD)[22]、多層感知機(jī)分類(lèi)器(Multilayer Perceptron)[23]等14種分類(lèi)器分別建立模型，以上模型均采用5折交叉驗(yàn)證訓(xùn)練方法，即將所有數(shù)據(jù)分為5部分，其中4部分用于模型訓(xùn)練，1部分用于評(píng)估模型的有效性，最后將所有數(shù)據(jù)用于訓(xùn)練集和驗(yàn)證集。完成所有的訓(xùn)練和驗(yàn)證之后，用5個(gè)測(cè)試的平均值來(lái)評(píng)價(jià)模型的性能。為了評(píng)估預(yù)測(cè)模型在訓(xùn)練集和驗(yàn)證集中的性能，繪制了受試者工作特征(receiver operating characteristic curve,ROC)曲線，并計(jì)算出曲線下面積(area under curve,AUC)，以評(píng)估分類(lèi)模型的性能，并將AUC作為評(píng)價(jià)模型性能的指標(biāo)。

6.統(tǒng)計(jì)學(xué)分析

采用SPSS 16.0軟件分析樣本的人口統(tǒng)計(jì)學(xué)數(shù)據(jù)，運(yùn)用秩和檢驗(yàn)和χ2檢驗(yàn)分別評(píng)估COVID-19與CAP患者之間的年齡、性別差異。利用Scikit學(xué)習(xí)軟件包(0.20.3版)建立分類(lèi)模型，采用Matplotlib(版本3.1.0)繪制ROC曲線。采用SPSS 16.0軟件對(duì)一般數(shù)據(jù)進(jìn)行統(tǒng)計(jì)學(xué)分析，對(duì)于分類(lèi)數(shù)據(jù)，采用χ2檢驗(yàn)比較組間差異；對(duì)于定量數(shù)據(jù)，采用獨(dú)立樣本t檢驗(yàn)比較組間差異。為了評(píng)價(jià)預(yù)測(cè)模型在訓(xùn)練集和驗(yàn)證集上的性能，繪制ROC曲線，在訓(xùn)練集和驗(yàn)證集上顯示分類(lèi)性能。以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

結(jié) 果

本研究共納入86例COVID-19患者，其中男34例，女52例，平均年齡(中位數(shù)±四分位間距)為(49.00±27.00)歲；同時(shí)納入100例CAP患者，其中男52例，女48例，平均年齡(中位數(shù)±四分位間距)為(38.00±31.75)歲。COVID-19與CAP兩組患者的性別差異無(wú)統(tǒng)計(jì)學(xué)意義(χ2=2.89,P=0.089)，COVID-19組患者的平均年齡大于CAP組(Z=-3.546,P=0.000)。

本研究使用14種機(jī)器學(xué)習(xí)分類(lèi)模型,所有模型的AUC均大于0.9(表1)，Random Forest模型的AUC最高(0.9406,圖8a)，GaussianNB模型的AUC最低(0.9037,圖8b)。

圖8 機(jī)器學(xué)習(xí)分類(lèi)模型的診斷效能。a) Random Forest模型的ROC曲線，其AUC最高(0.9406)； b) GaussianNB模型的ROC曲線，其AUC最低(0.9037)。

表1 經(jīng)科研平臺(tái)計(jì)算出的14種機(jī)器學(xué)習(xí)模型的AUC

討 論

核酸檢測(cè)是診斷新冠肺炎的金標(biāo)準(zhǔn)[24]，但肺部炎癥不明顯的輕癥患者，核酸檢測(cè)往往呈陰性[25,26]。胸部CT作為診斷COVID-19的一種重要補(bǔ)充檢測(cè)手段，其可靠性得到廣泛認(rèn)可[27-31]。由于各種病毒性肺炎的CT表現(xiàn)具有相似性，為了鑒別診斷COVID-19與CAP，國(guó)內(nèi)外學(xué)者提出了許多可供鑒別的征象，如磨玻璃影、肺內(nèi)實(shí)變、光暈征、氣泡征、小葉間隔增厚、支氣管充氣征、胸膜下線、條索影、血管增粗、胸腔積液等[25,32-35]。然而有學(xué)者研究發(fā)現(xiàn)，甲型(H1N1)流感病毒感染引起的肺炎表現(xiàn)類(lèi)似于COVID-19的胸部CT表現(xiàn)，如外周分布、磨玻璃影、實(shí)變、胸膜下線、支氣管充氣征等征象在兩種病變間差異無(wú)統(tǒng)計(jì)學(xué)意義[36]。另外有報(bào)道指出，單純的肺部CT篩查可能導(dǎo)致COVID-19誤診為柯薩奇病毒肺炎[37]。傳統(tǒng)的人工閱片方式受閱片者工作經(jīng)驗(yàn)和工作年限等因素的影響，不可避免地帶有閱片者的主觀性。相關(guān)文獻(xiàn)報(bào)道，4位美國(guó)放射科醫(yī)生鑒別診斷219例COVID-19與205例CAP的敏感度分別為93%、83%、73%和73%，3位中國(guó)放射科醫(yī)生鑒別診斷219例COVID-19與205例CAP的敏感度分別為72%、72%和94%，特異度分別為94%、88%、24%[38]，這說(shuō)明傳統(tǒng)的人工閱片方法具有局限性。

因此，有學(xué)者使用人工智能(AI)的方法鑒別診斷COVID-19與CAP，結(jié)果表明AI可有效鑒別COVID-19與CAP[39,40]。還有學(xué)者使用COVNet模型(一種深度學(xué)習(xí)模型)鑒別診斷COVID-19與CAP[3]，結(jié)果表明深度學(xué)習(xí)技術(shù)可有效鑒別COVID-19與CAP，但深度學(xué)習(xí)需要大量的樣本數(shù)據(jù)來(lái)進(jìn)行模型訓(xùn)練，大量的數(shù)據(jù)不容易獲得，而且比較費(fèi)時(shí)。所以本研究采用對(duì)數(shù)據(jù)量要求較小的傳統(tǒng)機(jī)器學(xué)習(xí)方法，以胸部CT圖像的影像組學(xué)信息為特征的分類(lèi)模型來(lái)識(shí)別和鑒別COVID-19與CAP。目前，基于機(jī)器學(xué)習(xí)的肺部CT作為鑒別COVID-19與CAP的一種可靠方法和工具，已得到許多學(xué)者的研究證實(shí)[3,4,41]。

然而，以往研究多使用LinearSVM或單一的分類(lèi)模型來(lái)鑒別COVID-19與CAP，雖然表現(xiàn)出了優(yōu)越的效能[25]，但沒(méi)有提出效能最優(yōu)的分類(lèi)模型。因?yàn)闄C(jī)器學(xué)習(xí)的分類(lèi)模型有許多種，因此本研究基于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，利用14種機(jī)器學(xué)習(xí)分類(lèi)模型鑒別COVID-19與CAP，通過(guò)AUC來(lái)評(píng)估分類(lèi)模型的診斷效能，并取得了很好的結(jié)果(AUC均大于0.9)。通過(guò)對(duì)14種機(jī)器學(xué)習(xí)分類(lèi)模型的橫向?qū)Ρ妊芯堪l(fā)現(xiàn)，在鑒別診斷COVID-19與CAP方面，Random Forest分類(lèi)模型的性能最優(yōu)(AUC=0.9406)。研究表明，組合分類(lèi)器比單一分類(lèi)器的分類(lèi)效果更好，Random Forest是一種利用多個(gè)分類(lèi)樹(shù)對(duì)數(shù)據(jù)進(jìn)行判別與分類(lèi)的組合分類(lèi)方法，該分類(lèi)模型可用于判斷特征的重要程度以及他們之間是否會(huì)相互影響，適用于數(shù)據(jù)集較多的情況，相對(duì)于其他算法有較大的優(yōu)勢(shì)。Random Forest還具有數(shù)據(jù)的隨機(jī)性和特征選取的隨機(jī)性，使得隨機(jī)森林不容易陷入過(guò)度擬合，同時(shí)也使得隨機(jī)森林具有很好的抗噪聲能力[42]，這可能是該模型在本研究中表現(xiàn)出優(yōu)越效能的原因。

本研究中COVID-19組患者的年齡大于CAP組，兩組之間差異有統(tǒng)計(jì)學(xué)意義，這可能是因?yàn)镃OVID-19好發(fā)于中老年人，尤其是患有慢性病的老年人[43,44]。

本研究存在以下局限性：①手動(dòng)修改科研平臺(tái)自動(dòng)分割的病灶，存在一定的不穩(wěn)定因素，但本研究通過(guò)組間一致性分析剔除了不穩(wěn)定的特征，盡量避免了不穩(wěn)定特征對(duì)結(jié)果的影響；②本研究?jī)H使用14種分類(lèi)模型，而其他機(jī)器學(xué)習(xí)分類(lèi)模型是否能夠有效鑒別COVID-19與CAP，有待進(jìn)一步研究與開(kāi)發(fā)。因此需要更多大樣本、多中心的研究為鑒別診斷COVID-19與CAP提供依據(jù)。

綜上所述，14種機(jī)器學(xué)習(xí)分類(lèi)模型均可有效鑒別COVID-19與CAP，具有較高的鑒別診斷效能(AUC值均>0.9)，效能最高的模型是Random Forest(AUC=0.9406)，能夠在早期診斷COVID-19方面發(fā)揮優(yōu)勢(shì)。