基于PubMed數(shù)據(jù)庫(kù)探討卷積神經(jīng)網(wǎng)絡(luò)在肝癌影像學(xué)評(píng)估的文獻(xiàn)計(jì)量學(xué)研究

魏巍 黃櫻碩

目前基于計(jì)算機(jī)輔助檢測(cè)技術(shù)應(yīng)用廣泛，其中卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)已成熟應(yīng)用于影像學(xué)信息提取[1]。CNN與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型相比較可以避免人工選擇圖像特征的主觀性，而獲得更準(zhǔn)確的圖像分割參數(shù)并提高模型準(zhǔn)確率[2]。近十年來，國(guó)內(nèi)外學(xué)者應(yīng)用CNN模型處理肝癌的影像學(xué)資料，建立了較為準(zhǔn)確的診斷模型[3-6]。本研究嘗試?yán)梦墨I(xiàn)計(jì)量學(xué)的方法總結(jié)分析近年來在PubMed上公開發(fā)表的文獻(xiàn)中，以CNN模型評(píng)估肝臟纖維化的研究現(xiàn)狀，為今后肝臟纖維化評(píng)估模型的選擇提供參考依據(jù)。

資料與方法

一、文獻(xiàn)檢索

本研究以Convolutional Neural Network (CNN) AND Hepatic Carcinoma (HCC)、Deep Learning AND Hepatic Carcinoma (HCC)、Deep Convolutional Neural Network (CNN) AND Hepatic Carcinoma (HCC) 為檢索詞在PubMed數(shù)據(jù)庫(kù)進(jìn)行檢索，檢索的文獻(xiàn)涵蓋了英文文獻(xiàn)以及在PubMed中收錄的中文文章的英文摘要。檢索時(shí)間為PubMed收錄第1篇文獻(xiàn)至2021年3月3日，所查閱的文獻(xiàn)下載全文或摘要后由兩名研究者獨(dú)立篩選并提取相關(guān)信息。

二、研究方法

(一)文獻(xiàn)信息提取 利用NoteExpress文獻(xiàn)管理軟件對(duì)入選的研究進(jìn)行分類管理，采用Excel軟件編制關(guān)鍵信息提取表，提取的關(guān)鍵信息包含文獻(xiàn)發(fā)表年份、發(fā)表國(guó)家、第一作者、發(fā)表期刊名稱、影響因子以及CNN模型架構(gòu)等信息。信息提取由兩名研究者獨(dú)立完成，意見不一致時(shí)邀請(qǐng)其他研究者進(jìn)行討論確定。

(二)主要分析指標(biāo) 將上述提取的信息按以下要點(diǎn)分類整理，①文獻(xiàn)特征：記錄研究的關(guān)鍵詞和首次發(fā)表的年份，第一作者的國(guó)家和基于Web of Science數(shù)據(jù)庫(kù)查詢的被引用次數(shù)；②模型特征：由于CNN是深度學(xué)習(xí)算法中的一大類，因此詳細(xì)記錄納入研究的CNN里網(wǎng)絡(luò)具體架構(gòu)的名稱和模型用于診斷肝癌的準(zhǔn)確性；③發(fā)表雜志的特征：雜志名稱以及2019年的影響因子。

三、統(tǒng)計(jì)學(xué)分析

基于Microsoft Excel 2013 整理提取的相關(guān)數(shù)據(jù)，利用SPSS 26.0 軟件對(duì)提取的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析。定量資料滿足正態(tài)分布采用均值±標(biāo)準(zhǔn)差描述，偏態(tài)分布數(shù)據(jù)采用中位數(shù)(四分位數(shù))描述；定性資料以例數(shù)和百分比描述。關(guān)鍵詞詞頻分析采用圖悅工具(www.picdata.cn)處理。

結(jié) 果

一、文獻(xiàn)檢索分析

截至2021年3月3日，基于PubMed數(shù)據(jù)庫(kù)用檢索到46篇相關(guān)文獻(xiàn)，剔除綜述類文獻(xiàn)和未發(fā)生肝癌的研究8篇，共納入38篇文獻(xiàn)(見圖1)。所有研究為2017年4月至2021年2月發(fā)表，其中2020年發(fā)表數(shù)量最多，為18篇(45%)。2018年發(fā)表的研究平均引用次數(shù)近80次，單篇引用次數(shù)最高的研究為229次，引用次數(shù)最少的為2021年1～2月最新發(fā)表的研究(見表1)。

圖1 關(guān)鍵詞詞頻分析圖

圖1 研究文獻(xiàn)篩選流程圖

表1 不同年份文章發(fā)表情況及引用情況

二、研究?jī)?nèi)容提取及關(guān)鍵詞詞頻分析

納入的文章全部為原始研究，研究者通過閱讀全文提取每篇文章的關(guān)鍵詞，在整理過程中首先將關(guān)鍵詞去重，例如：Hepatocellular carcinoma及HCC被記為同一類關(guān)鍵詞，然后記錄每類不同的關(guān)鍵詞出現(xiàn)的頻次和占總頻次的百分比。在38篇研究中，共出現(xiàn)136個(gè)不同的關(guān)鍵詞，其中詞頻超過10次的有肝細(xì)胞癌(Hepatocellular carcinoma)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks)和深度學(xué)習(xí)(Deep learning)，三個(gè)高頻關(guān)鍵詞累計(jì)出現(xiàn)的占比近35%，其余133個(gè)關(guān)鍵詞的占比為65%，其中有54個(gè)關(guān)鍵詞僅出現(xiàn)1次。將所有關(guān)鍵詞按詞頻進(jìn)行從小到大的順序排列并繪制詞頻分析圖，圖中每一個(gè)關(guān)鍵詞僅出現(xiàn)1次，大小與每個(gè)關(guān)鍵詞的權(quán)重相關(guān)(見圖2)。

三、高引用次數(shù)研究的特征分析

提取每篇研究的被引用次數(shù)，將被引用超過10次的文章進(jìn)行詳細(xì)記錄，包括第一作者、發(fā)表時(shí)間、發(fā)表國(guó)家和模型的信息等。結(jié)果顯示，在8篇高引用的文章中，有4篇來自于中國(guó)(含香港)，4篇來自國(guó)外作者。在發(fā)表年份方面，有1篇發(fā)表于2017年，3篇發(fā)表于2018年，4篇發(fā)表于2019年。發(fā)表的雜志中，影響因子最高的雜志為Radiology(IF=7.931)，所有作者均選用了不同的深度CNN模型架構(gòu)，經(jīng)過多次卷積學(xué)習(xí)過程模型展現(xiàn)了較高的準(zhǔn)確性，能夠?qū)崿F(xiàn)診斷肝癌的圖像分割，為臨床診治提供輔助性判讀支持(見表2)。

表2 引用10次及以上文章特征分析

討 論

針對(duì)肝癌的診斷是學(xué)術(shù)界討論的熱點(diǎn)，由于肝癌發(fā)病隱匿，進(jìn)展較快，占位形成至一定體積時(shí)才被診斷，患者在就診時(shí)大多是在終末期而延誤了最佳治療時(shí)期[7]。因此，國(guó)內(nèi)外研究者嘗試?yán)蒙疃葘W(xué)習(xí)技術(shù)用于肝癌影像學(xué)的數(shù)據(jù)提取和判讀，為肝癌早期診斷提供輔助性支撐。將CNN應(yīng)用于肝癌圖像判讀的研究出現(xiàn)在2017年[8]，由于CNN在肝癌影像學(xué)判讀中準(zhǔn)確性高，能夠輔助臨床醫(yī)生早期診斷，近5年間發(fā)文量逐漸遞增，在2020年發(fā)文量達(dá)到高峰。在文章引用方面，單篇引用最高的文章發(fā)表于2018年[9]，研究者利用深度卷積網(wǎng)絡(luò)模型針對(duì)肝癌影像學(xué)圖像進(jìn)行分割和判讀，將研究結(jié)果與既往構(gòu)建的相關(guān)模型對(duì)比，CNN模型的準(zhǔn)確性均高于其他模型，可以應(yīng)用于肝癌和其他腫瘤疾病的圖像分割和判讀。從本研究詞頻分析結(jié)果顯示，發(fā)表文章研究熱點(diǎn)主要圍繞肝癌、CNN模型、深度學(xué)習(xí)、圖像分類、人工智能、肝臟腫瘤、MRI和CT等，側(cè)面反映了近幾年國(guó)內(nèi)外研究者嘗試?yán)萌斯ぶ悄艿乃惴ń鉀Q臨床疾病的診斷，尤其是CNN模型算法的特點(diǎn)更加適用于影像學(xué)資料的圖像分割、數(shù)據(jù)提取和臨床結(jié)局的分類等問題。

由于CNN模型原理較為復(fù)雜，且實(shí)現(xiàn)CNN模型的軟件通過編程才能實(shí)現(xiàn)，因此對(duì)于臨床醫(yī)生應(yīng)用CNN模型解決臨床問題一直是個(gè)難點(diǎn)。目前有國(guó)外的學(xué)者將CNN模型學(xué)習(xí)過程開發(fā)成可視化的工具，能夠?qū)崿F(xiàn)通過網(wǎng)站(http://chainer.org/以及https://keras.io/)以點(diǎn)選的方式搭建CNN模型進(jìn)行分類和數(shù)據(jù)處理，便于臨床醫(yī)生和其他科研工作者使用CNN模型解決臨床實(shí)際問題。即使深度學(xué)習(xí)算法發(fā)展成熟，已經(jīng)廣泛應(yīng)用于肝癌臨床輔助性診斷中，并且在獲得了較高的診斷準(zhǔn)確性，但是肝癌的診斷還需臨床醫(yī)生結(jié)合患者的病史、甲胎蛋白水平等綜合判斷，因此深度學(xué)習(xí)算法或是CNN模型僅作為輔助性診斷工具，為臨床醫(yī)生更加準(zhǔn)確診斷疾病提供支持。

綜上所述，人工智能尤其是深度卷積神經(jīng)網(wǎng)絡(luò)模型近年來發(fā)展成熟，越來越多的國(guó)內(nèi)外研究者嘗試?yán)肅NN模型進(jìn)行肝癌的影像學(xué)評(píng)價(jià)并且獲得了較高的診斷準(zhǔn)確性，文獻(xiàn)發(fā)表量逐年遞增，引用次數(shù)隨發(fā)表時(shí)間增加而增加。但由于模型原理和計(jì)算過程較為復(fù)雜，還需要進(jìn)一步開發(fā)可視化及操作簡(jiǎn)便的應(yīng)用系統(tǒng)，以便于更多的臨床醫(yī)生和科研工作者解決問題。