卷積神經(jīng)網(wǎng)絡在T3/4期胃癌影像學診斷中應用

張訓營 張凱明 張超 馬金龍 盧云 王東升

[摘要] 目的 利用卷積神經(jīng)網(wǎng)絡構建T3/4期胃癌自動識別平臺以達到輔助臨床診療目的。

方法 回顧性收集208例胃癌病人的增強CT圖像，并按照7∶1比例隨機分入訓練集（182例）和驗證集（26例），利用labelImg軟件標識病變區(qū)域，用訓練集對平臺進行訓練，用驗證集進行驗證。通過對比平臺和影像學專家標識圖像信息，采用受試者工作特征（ROC）曲線，對平臺性能進行評估，評價指標包括ROC曲線下面積（AUC）、準確度、靈敏度、特異度、陽性預測值及陰性預測值等。

結果 平臺的AUC為0.924，對T3/4期胃癌識別的準確度、靈敏度、特異度分別為0.927、0.924、0.930，陽性預測值為0.933，陰性預測值為0.921。

結論 平臺基于增強CT對T3/4期胃癌的識別準確性與高年資影像學專家相當，并可以準確識別出T3/4期胃癌病變區(qū)域，極大提高了胃癌術前診斷效率。

[關鍵詞] 卷積神經(jīng)網(wǎng)絡;胃腫瘤;腫瘤分期;人工智能;診斷

[中圖分類號] R735.2;R445.3

[文獻標志碼] A

[文章編號] 2096-5532（2021）05-0731-05

doi：10.11712/jms.2096-5532.2021.57.144

[開放科學（資源服務）標識碼（OSID）]

[網(wǎng)絡出版] https：//kns.cnki.net/kcms/detail/37.1517.R.20210706.1547.010.html;2021-07-07 09：08：46

APPLICATION OF CONVOLUTIONAL NEURAL NETWORK IN RADIOLOGICAL DIAGNOSIS OF T3/4 GASTRIC CANCER

ZHANG Xunying， ZHANG Kaiming， ZHANG Chao， MA Jinlong， LU Yun， WANG Dongsheng

（Department of Gastrointestinal Surgery， The Affiliated Hospital of Qingdao University， Qingdao 266003， China）

[ABSTRACT] Objective To establish an automatic recognition platform for T3/4 gastric cancer based on convolutional neural network， and to achieve the purpose of assisting clinical diagnosis and treatment.

Methods A retrospective analysis was performed for the contrast-enhanced CT images of 208 patients with gastric cancer， and the patients were randomly divided into trai-

ning set with 182 patients and validation set with 26 patients at a ratio of 7∶1. The labelImg software was used to identify the lesion area， and the platform was trained by the training set and validated by the validation set. By comparing the image information identified by the platform and imaging experts， the receiver operating characteristic （ROC） curve was used to evaluate the perfor-

mance of this platform， and assessment indices included the area under the ROC curve （AUC）， accuracy， sensitivity， specificity， positive predictive value， and negative predictive value.

Results The platform had an AUC of 0.924， with an accuracy of 0.927， a sensitivity of 0.924， and a specificity of 0.930 in identifying T3/4 gastric cancer， and the platform had a positive predictive value of 0.933 and a negative predictive value of 0.921.

Conclusion The platform based on contrast-enhanced CT has a comparable accuracy to senior imaging experts in identifying T3/4 gastric cancer and can accurately identify the area of the lesion of T3/4 gastric cancer， which greatly improves the efficiency of preoperative diagnosis of gastric cancer.

[KEY WORDS] convolutional neural network; stomach neoplasms; neoplasm staging; artificial intelligence; diagnosis

胃癌目前在全球癌癥發(fā)病率中位居第5，死亡率位居第3，嚴重威脅人類健康[1]。東亞是胃癌高發(fā)病及高死亡地區(qū)，尤其是中國及日本[2]。中國胃癌病人占全球胃癌發(fā)病人數(shù)的42.6%，占相關死亡人數(shù)的45.0%[3-4]。盡管目前手術是治愈胃癌的唯一方法，但是新輔助化療的應用可以明顯提高胃癌的治愈率及病人的生存率[5]。中國臨床腫瘤學會建議，新輔助化療適用于T3期及以上胃癌病人，T2期及更早的胃癌建議行手術治療[6]。因此，為了提高治愈率及降低新輔助化療的不利影響，需要對T3/4期胃癌病人進行有效篩選[7]。CT由于具有非侵入性、實用性、便利性及穩(wěn)定性等優(yōu)點，是術前評估胃癌分期的常規(guī)檢查方法[8]。但是，CT預測胃癌T分期的總體準確率為43%～82%，容易對胃癌T分期產(chǎn)生誤判，造成不必要的姑息性手術及過度的放化療治療[9-12]。在這種情況下，需要一種替代技術對T3/4期胃癌病人進行有效的篩選。

人工智能處理數(shù)據(jù)具有運算速度快、精度高等優(yōu)點[13-14]。近年來，在臨床實踐中卷積神經(jīng)網(wǎng)絡（CNN）越來越多地被用來識別和區(qū)分醫(yī)學圖像。該技術在影像圖片診斷中已經(jīng)顯示出具有較高的診斷性能，例如在檢測冠狀動脈粥樣硬化、乳癌、轉移淋巴結[15-17]、皮膚病變的分類[18]及糖尿病視網(wǎng)膜病變篩查[19]等時，在各種深度學習模型中CNN是最成熟的算法。本研究主要基于CNN在圖像處理及識別方面的強大能力，探索利用上腹部增強CT圖像建立CNN對T3/4期胃癌的自動識別平臺，并驗證、評估其準確性。現(xiàn)將結果報告如下。

1 資料和方法

1.1 病人選擇

回顧性收集2018年6月—2019年12月在青島大學附屬醫(yī)院行根治性胃癌手術的564例病人的上腹部增強CT圖片。病人的納入標準：術前行胃鏡檢查經(jīng)病理診斷為胃癌;術前于我院行上腹部增強CT檢查;于我院行根治性切除手術，術后病理確診為T3/4期胃癌。排除標準：腫瘤直徑較小無法勾畫感興趣區(qū)域（ROI）;術前接受新輔助放化療;胃腔充盈狀態(tài)不理想或胃部蠕動導致成像不理想病人;手術后復發(fā)的病人。最終共208例病人被納入研究，其中T3期病人90例，T4期病人118例。收集病人性別、年齡及腫瘤病理分期、部位等基本信息。本研究經(jīng)青島大學附屬醫(yī)院倫理委員會批準。

1.2 病人分組及CT檢查方法

以腫瘤分期及腫瘤部位為分類標準將病人按7∶1比例隨機分入訓練集（182例）和驗證集（26例）。研究小組在訓練集中共挑選出1 200張優(yōu)質圖像確定為陽性圖像，同理在測試集中挑選出210張陽性圖像。本研究所有病人均采用飛利浦Brilliance iCT掃描儀行上腹部增強CT掃描，掃描層厚為1 mm，層間隔為1 mm，間距為0.985。檢查前所有病人均簽署碘對比劑知情同意書，禁食4～6 h，檢查前20 min給予病人500～1 000 mL飲用水。通過高壓注射器以3 mL/s的流量將90 mL非離子造影劑碘海醇注入前肘靜脈進行增強掃描。在動脈期延遲掃描33 s，在靜脈期延遲掃描65 s，在平衡期延遲掃描120 s。掃描范圍為橫膈膜到臍部平面。

1.3 圖像標識及數(shù)據(jù)增強處理

利用labelImg軟件對圖像進行標識，由兩名高年資放射科醫(yī)師分別獨立閱讀CT圖像并標記腫瘤病變，標識方法采用腫瘤分割方法。根據(jù)相關文獻的研究結果，與鄰近胃壁相比，局灶性胃壁增厚≥6 mm確定為異常增厚和癌變[20]。兩名影像科醫(yī)師結合病人胃鏡報告及術后最終病理結果，僅標識影像圖像中腫瘤浸潤胃壁最深的位置。根據(jù)術后病理結果，由第三位影像科醫(yī)師檢查上腹部增強CT圖像上腫瘤標識部位，以保證增強CT圖像中病變部位的準確性及一致性。

利用CNN提取上腹部增強CT圖像上不同大小的ROI，然后對1 200張陽性圖片中的ROI使用裁剪、翻轉等數(shù)據(jù)增強方法進行數(shù)據(jù)擴增，最后篩選出2 500張陽性圖像作為訓練數(shù)據(jù)集，以增強研究數(shù)據(jù)集，同時減輕模型處理數(shù)據(jù)集時產(chǎn)生的過度擬合問題[21]。

1.4 識別平臺構建及驗證

1.4.1 構建識別平臺 構建識別平臺前對圖像進行預處理，包括采用圖像強度范圍歸一化和直方圖均衡化方法來處理圖像[22]。統(tǒng)一將訓練圖像縮放為512×557像素大小，然后對識別平臺進行訓練，識別平臺在學習陽性圖像同時，將訓練集中正常胃部解剖圖像默認為陰性圖像一并學習。本研究采用的CNN是一個具有101層深度的CNN，可以對圖像特征進行提取。每個層面的模型分別經(jīng)過800個epoch的訓練。優(yōu)化器采用SGD優(yōu)化器，初始學習率為0.000 2。對CNN學習成果分析采用Python編程語言，提取Metric模塊里面的結果生成結論。

1.4.2 平臺驗證 利用驗證集中210張陽性圖像和200張陰性圖像對該平臺識別性能進行驗證。對比影像科醫(yī)師對胃癌腫瘤區(qū)域標注結果，判定平臺對驗證集識別結果準確性。通過繪制受試者工作特征（ROC）曲線，計算ROC曲線下面積（AUC），評估診斷平臺識別T3/4期胃癌圖像的準確性，并統(tǒng)計識別的準確度、靈敏度、特異度、陽性預測值及陰性預測值等指標。

1.5 統(tǒng)計學分析

應用SPSS 20.0軟件對數(shù)據(jù)進行統(tǒng)計學處理。統(tǒng)計所有結點處的真陽性和假陽性的數(shù)目，計算得到不同概率閾值下真陽性率和假陽性率，從而繪制出ROC曲線，通過計算AUC，得出平臺識別T3/4期胃癌的準確率。

2 結? 果

2.1 平臺的學習效果

為評估平臺的學習效果，研究小組將驗證集輸入經(jīng)過訓練的識別平臺中進行驗證。由診斷平臺學習結果的損失函數(shù)（loss）學習曲線可知，診斷平臺在進行800個epoch學習后達到最佳優(yōu)化參數(shù)。用于識別T3/4期胃癌診斷平臺的AUC為0.924，準確度、靈敏度、特異度分別為0.927、0.924、0.930，陽性預測值為0.933，陰性預測值為0.921。見圖1。

2.2 平臺驗證

如圖2所示，A、C圖片是影像科醫(yī)師基于病理結果手動標識的腫瘤位置，B、D圖片是識別平臺對圖片中腫瘤的分割及識別?？梢缘贸鼋Y論，基于上腹部增強CT圖像，該識別平臺識別T3/4期胃癌具有很高的準確性。

3 討? 論

準確的術前T分期對胃癌病人圍手術期選擇治療方案以及評估預后均至關重要[23]。有研究證實，胃癌病理T3/4期是術后切緣陽性的獨立危險因素，術后切緣陽性病人總體預后較差[24]。中國臨床腫瘤學會建議治療胃癌之前需要準確地區(qū)分胃癌T分期以制定精準的治療計劃。第8版美國國立綜合癌癥網(wǎng)絡指南（NCCN指南）提出上腹部增強CT是診斷胃癌T分期的主要影像學方法。影像科醫(yī)師主要通過術前腹部CT等影像資料評估胃癌病人T分期，繼而指導臨床醫(yī)師選擇治療方案。然而，目前實際臨床工作中術前通過腹部CT判斷T分期還存在一些問題：①不同影像科醫(yī)師通過上腹部增強CT評估胃癌病人T分期存在主觀差異;②在目前國內各三級甲等醫(yī)院病人數(shù)量龐大的背景下，面對通過CT等影像資料進行胃癌臨床分期的復雜性，影像科醫(yī)生承受著巨大的工作量。因此，迫切需要一種新的方法來提高臨床診斷效率。而深度學習網(wǎng)絡技術的發(fā)展，為解決這一問題創(chuàng)造了可能。有研究報道，CNN-CAD系統(tǒng)已經(jīng)應用于乳房組織病理學圖像的分類檢測[25]和結腸直腸癌的檢測[26]。本研究基于CNN建立了識別T3/4期胃癌的診斷平臺，實現(xiàn)了術前利用上腹部增強CT對胃癌進行快速精確篩選。

本研究小組在前期已經(jīng)開發(fā)出基于深度學習網(wǎng)絡的直腸癌轉移淋巴結的MRI圖像自動識別系統(tǒng)[27]。在前期經(jīng)驗的基礎上，本研究建立了基于CNN的T3/4期胃癌自動識別平臺，并評估了其臨床價值。上腹部增強CT為胃癌病人的常規(guī)輔助檢查手段，有研究證實，上腹部增強CT靜脈期圖像對胃癌腫瘤浸潤的診斷性能優(yōu)于動脈期圖像，所以本研究選用上腹部增強CT靜脈期圖像[28]。最新版胃癌NCCN指南指出，上腹部CT對胃癌T分期的識別準確率為43%～82%[23]。蘭州大學第二醫(yī)院的一項回顧性研究將胃癌術后病理結果與影像科高年資醫(yī)師讀片報告對比，結果顯示，增強CT評估T3、T4期胃癌的準確度分別為76.7%和92.7%[29]。本研究中通過放射科高年資醫(yī)生結合病理結果對增強CT圖片的標識，對T3/4期胃癌識別平臺進行深度訓練，經(jīng)驗證識別平臺對于T3/4期胃癌病人增強CT靜脈期圖像具有較高的識別準確度，其AUC為0.924。表明識別平臺的準確性接近于影像科高年資醫(yī)師的診斷水平?？紤]其原因可能為：①T4期胃癌腫瘤較大、浸透漿膜層，在CT圖片中易于辨認;②T3期胃癌侵犯至胃壁的固有肌層，而固有肌層在增強CT中構成了低密度條紋層的外層[30]，在病理切片中占據(jù)了胃壁的大部分，這降低了識別T分期的難度;③T3/4期胃癌圖片較多，診斷平臺參數(shù)優(yōu)化較完善?；谠\斷平臺對病人全靜脈期連續(xù)圖像的T分期最終判定結果與術后病理T分期診斷結果完全相符。上述結果表明，該診斷平臺具有較高的可行性、準確性、客觀性和高效性，可以輔助放射科醫(yī)生完成胃癌的篩選工作，減少放射科醫(yī)生的工作量;可以輔助臨床醫(yī)生制定診療方案，從而有利于胃癌病人接受更加精準和高效的治療。

本研究的局限性：①本研究為單中心試驗研究，數(shù)據(jù)量有限;②本研究是基于CNN的監(jiān)督學習，平臺的訓練準確性依賴于放射科醫(yī)師對增強CT圖片腫瘤區(qū)域的精確標識。因此，為了進一步提升人工智能輔助平臺的可靠性，今后研究將聯(lián)合多中心增加數(shù)據(jù)量，并優(yōu)化算法和提升標識效率，最終實現(xiàn)臨床驗證，以達到輔助醫(yī)師診斷與治療的目的。

綜上所述，本研究建立的T3/4期胃癌自動識別平臺能夠利用上腹部增強CT圖像自動分割識別T3/4期胃癌，顯示出了與經(jīng)驗豐富的影像科醫(yī)師相當?shù)臏蚀_性，有望協(xié)助影像科醫(yī)師做出更為精準、直觀及高效的診斷，極大減輕影像科醫(yī)師的工作負擔;有望指導臨床醫(yī)師制定診療方案，利于病人接受更加精準及個性化的治療。

[參考文獻]

[1]Global Burden Of Disease Cancer Collaboration， FITZMAURICE C， ALLEN C， et al. Global， regional， and national cancer incidence， mortality， years of life lost， years lived with disability， and disability-adjusted life-years for 32 cancer groups， 1990 to 2015： a systematic analysis for the global burden of disease study[J].? JAMA Oncology， 2017，3（4）：524-548.

[2]RAHMAN R， ASOMBANG A W， IBDAH J A. Characteristics of gastric cancer in Asia[J].? World Journal of Gastroente-

rology， 2014，20（16）：4483-4490.

[3]FERLAY J， SOERJOMATARAM I， DIKSHIT R， et al. Cancer incidence and mortality worldwide： sources， methods and major patterns in GLOBOCAN 2012[J].? Int J Cancer，? 2015，136（5）：E359-E386.

[4]WANG Z， XING J， CAI J， et al. Short-term surgical outcomes of laparoscopy-assisted versus open D2 distal gastrectomy for locally advanced gastric cancer in north China： a multi- ?center randomized controlled trial[J].? Surg Endosc， 2019，33（1）：33-45.

[5]BIONDI A， LIROSI M C， DUGO D， et al. Neo-adjuvant chemo （radio） therapy in gastric cancer： Current status and future perspectives[J].? World J Gastrointest Oncol， 2015，7（12）：389-400.

[6]WANG F H， SHEN L， LI J， et al. The Chinese Society of Clinical Oncology （CSCO）： clinical guidelines for the diagnosis and treatment of gastric cancer[J].? Cancer Communications （London， England）， 2019，39（1）：10.

[7]FUKAGAWA T， KATAI H， MIZUSAWA J， et al. A prospective multi-institutional validity study to evaluate the accuracy of clinical diagnosis of pathological stage Ⅲ gastric cancer （JCOG1302A）[J].? Gastric Cancer， 2018，21（1）：68-73.

[8]LIU S， SHI H， JI C， et al. Preoperative CT texture analysis of gastric cancer： correlations with postoperative TNM staging[J].? Clinical Radiology， 2018，73（8）：756.e1-756.e9.

[9]TAN C Q， PENG L B， ZENG X H， et al. Cost-utility analysis of the newly recommended adjuvant chemotherapy for resec-

table gastric cancer patients in the 2011 Chinese National Comprehensive Cancer Network （NCCN） Clinical Practice Guidelines in Oncology： Gastric Cancer[J].? PharmacoEconomics， 2014，32（3）：235-243.

[10]YAN C， ZHU Z G， YAN M， et al. Value of multidetector-row computed tomography in the preoperative T and N staging of gastric carcinoma： a large-scale Chinese study[J].? Journal of Surgical Oncology， 2009，100（3）：205-214.

[11]SAITO T， KUROKAWA Y， TAKIGUCHI S， et al. Accuracy of multidetector-row CT in diagnosing lymph node metastasis in patients with gastric cancer[J].? European Radiology， 2015，25（2）：368-374.

[12]JOO I， LEE J M， KIM J H， et al. Prospective comparison of 3 T MRI with diffusion-weighted imaging and MDCT for the preoperative TNM staging of gastric cancer[J].? Journal of Magnetic Resonance Imaging： JMRI， 2015，41（3）：814-821.

[13]KUMAR V， GU Y， BASU S， et al. Radiomics： the process and the challenges[J].? Magn Reson Imaging， 2012，30（9）：1234-1248.

[14]LAMBIN P， RIOS-VELAZQUEZ E， LEIJENAAR R， et al. Radiomics： extracting more information from medical images using advanced feature analysis[J].? European Journal of Can-

cer， 2012，48（4）：441-446.

[15]TATSUGAMI F， HIGAKI T， NAKAMURA Y， et al. Deep learning-based image restoration algorithm for coronary CT angiography[J].? Eur Radiol， 2019，29（10）：5322-5329.

[16]GERAS K J， MANN R M， MOY L. Artificial intelligence for mammography and digital breast tomosynthesis： current concepts and future perspectives[J].? Radiology， 2019，293（2）：246-259.

[17]EHTESHAMI B B， MITKO V， JOHANNES V D P， et al. Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer[J].? JAMA， 2017，318（22）：2199-2210.

[18]ESTEVA A， KUPREL B， NOVOA R A， et al. Corrigendum： dermatologist-level classification of skin cancer with deep neural networks[J].? Nature， 2017，546（7660）：686.

[19]VARUN G， LILY P， MARC C， et al. Development and validation of a deep learning algorithm for detection of diabetic re-

tinopathy in retinal fundus photographs[J].? JAMA， 2016，316（22）：2402-2410.

[20]KIM H J， KIM A Y， OH S T， et al.

Gastric cancer staging at multi-detector row CT gastrography： comparison of transverse and volumetric CT scanning[J].? Radiology， 2005，236（3）：879-885.

[21]ZHONG Z， ZHENG L， KANG G L， et al. Random erasing data augmentation[J].? Proceedings of the AAAI Conference on Artificial Intelligence， 2020，34（7）：13001-13008.

[22]DROZDZAL M， CHARTRAND G， VORONTSOV E， et al. Learning normalized inputs for iterative estimation in medical image segmentation[J].? Comput Vis Pattern Recognit， 2017，44：1-10.

[23]AJANI J A， D′AMICO T A， ALMHANNA K， et al. Gastric cancer， version 3.2016， NCCN clinical practice guidelines in oncology[J].? Journal of the National Comprehensive Cancer Network： JNCCN， 2016，14（10）：1286-1312.

[24]SCHUHMACHER C， GRETSCHEL S， LORDICK F， et al. Neoadjuvant chemotherapy compared with surgery alone for locally advanced cancer of the stomach and cardia： European Organisation for Research and Treatment of Cancer rando-

mized trial 40954[J].? J Clin Oncol， 2010，28（35）：5210-5218.

[25]GANDOMKAR Z， BRENNAN P C， MELLO-THOMS C. MuDeRN： multi-category classification of breast histopathological image using deep residual networks[J].? Artificial Intelligence in Medicine， 2018，88：14-24.

[26]HORNBROOK M C， GOSHEN R， CHOMAN E， et al. Early colorectal cancer detected by machine learning model using gender， age， and complete blood count data[J].? Dig Dis Sci， 2017，62（10）：2719-2727.

[27]LU Y， YU Q， GAO Y， et al. Identification of metastatic lymph nodes in MR imaging with faster region-based convolutional neural networks[J]. Cancer Res， 2018，78（17）：5135-5143.

[28]CHEN X H， REN K， LIANG P， et al. Spectral computed tomography in advanced gastric cancer： can iodine concentration non-invasively assess angiogenesis[J]？ World Journal of Gastroenterology， 2017，23（9）：1666-1675.

[29]武贊凱，王宇，張耕源，等. 增強CT對進展期胃癌術前的評估價值[J].? 中華普通外科學文獻（電子版）， 2016，10（2）：133-137.

[30]KIM J W， SHIN S S， HEO S H， et al. Diagnostic perfor-

mance of 64-section CT using CT gastrography in preoperative T staging of gastric cancer according to 7th edition of AJCC cancer staging manual[J].? Eur Radiol， 2012，22（3）：654-662.

（本文編輯 馬偉平）