多特征融合的肝細(xì)胞癌分化等級(jí)術(shù)前預(yù)測方法研究

甘富文 武明輝 吳亞平 林予松 王梅云*

1(鄭州大學(xué)信息工程學(xué)院 河南 鄭州 450001) 2(鄭州大學(xué)互聯(lián)網(wǎng)醫(yī)療與健康服務(wù)河南省協(xié)同創(chuàng)新中心 河南 鄭州 450052) 3(鄭州大學(xué)人民醫(yī)院影像科 河南 鄭州 450003) 4(鄭州大學(xué)軟件學(xué)院 河南 鄭州 450002) 5(鄭州大學(xué)漢威物聯(lián)網(wǎng)研究院 河南 鄭州 450002)

0 引 言

肝細(xì)胞癌(HCC)是常見的惡性腫瘤,易于轉(zhuǎn)移和復(fù)發(fā)，預(yù)后很差，是第二大與癌癥相關(guān)的主要死因[1-3]。病理分級(jí)是診斷肝癌的重要指標(biāo)[4]，患有高級(jí)別(低分化)HCC腫瘤的患者具有較高的復(fù)發(fā)風(fēng)險(xiǎn)，通常采用肝切除和肝移植治療策略,而低級(jí)別(高分化)HCC的患者復(fù)發(fā)風(fēng)險(xiǎn)較低[5-6]，通常采用全身治療和對(duì)癥治療。病理分級(jí)需要有創(chuàng)地針對(duì)腫瘤部位采集多個(gè)腫瘤樣本進(jìn)行活檢，給患者帶來了巨大的痛苦和高昂的費(fèi)用。肝臟磁共振掃描是肝癌診斷中常用的影像學(xué)手段[7]，具有無創(chuàng)、低成本、可重復(fù)進(jìn)行的特點(diǎn)，利用影像術(shù)前準(zhǔn)確預(yù)測HCC分級(jí)將有助于選擇治療策略[4]。目前影像組學(xué)、深度學(xué)習(xí)等技術(shù)結(jié)合醫(yī)學(xué)影像進(jìn)行計(jì)算機(jī)輔助診斷是醫(yī)工交叉的研究熱點(diǎn)，計(jì)算機(jī)技術(shù)廣泛應(yīng)用在腫瘤分類、病理分級(jí)、生存期預(yù)測等方面[1]。

近年來，大量基于影像的腫瘤分類研究表明，利用影像可以有效地進(jìn)行腫瘤的輔助診斷。當(dāng)前流行的方法主要有影像組學(xué)和深度學(xué)習(xí)兩大類。影像組學(xué)方法從醫(yī)學(xué)圖像中高通量提取手工設(shè)計(jì)的定量特征，例如形狀、灰度、紋理和Gabor特征[8-9]，這些特征可以從不同的角度反映腫瘤組織信息[10-13]，通過組合多種預(yù)測因子分析腫瘤分級(jí)已經(jīng)被證明是行之有效的[14]。影像組學(xué)能在較小的數(shù)據(jù)量下獲得較好的分類性能，由于手工設(shè)計(jì)特征均是從某一角度描述腫瘤，難以全面反映腫瘤特征，性能有待進(jìn)一步提高。隨著數(shù)據(jù)量和算法的發(fā)展，深度學(xué)習(xí)方法逐漸開始在醫(yī)學(xué)影像研究中取得長足的發(fā)展。文獻(xiàn)[15]探究了深度特征在腫瘤分類上的能力，證明深度特征可以反映腫瘤的信息。文獻(xiàn)[16]在對(duì)比增強(qiáng)的MRI圖像上采用SE-DenseNet進(jìn)行端到端的肝細(xì)胞癌的分化分級(jí)研究,Acc達(dá)到0.83，能夠獲得優(yōu)于手工設(shè)計(jì)特征的性能。但是深度網(wǎng)絡(luò)訓(xùn)練時(shí)間長，對(duì)樣本量要求高,在小數(shù)據(jù)集上尤其容易過擬合，大部分?jǐn)?shù)據(jù)都無法訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)。文獻(xiàn)[17]結(jié)合T1、T2序列的組學(xué)特征和臨床特征在MRI圖像上進(jìn)行了肝細(xì)胞癌的分化分級(jí)研究，但是人為設(shè)計(jì)的影像特征不能全面反映腫瘤特征，且同時(shí)標(biāo)注兩個(gè)序列需要花費(fèi)大量精力。目前在小樣本非對(duì)比增強(qiáng)MRI圖像上進(jìn)行肝細(xì)胞癌分化分級(jí)預(yù)測依然存在挑戰(zhàn)。

針對(duì)以上問題，本文基于MRI影像提出了一種融合影像特征和深度特征的肝細(xì)胞癌分化分級(jí)預(yù)測方法，該方法在影像組學(xué)流程的基礎(chǔ)上融入了深度卷積神經(jīng)網(wǎng)絡(luò)提取的高度抽象化語義特征。本文研究表明，相比單一的特征模型，融合后的模型具有更好的分類性能。

1 方 法

綜合影像、基因和臨床等信息進(jìn)行計(jì)算機(jī)輔助診斷的流程通常包括：數(shù)據(jù)獲取、腫瘤區(qū)域分割、特征提取和量化、特征選擇、分類和預(yù)測。本文在特征提取部分加入了深度卷積神經(jīng)網(wǎng)絡(luò)提取的高度抽象化語義特征作為影像特征的補(bǔ)充，實(shí)驗(yàn)先由影像科醫(yī)生在MRI數(shù)據(jù)集進(jìn)行感興趣區(qū)域的手工分割；然后進(jìn)行圖像預(yù)處理并提取影像特征和深度特征，分別在兩組特征上使用機(jī)器學(xué)習(xí)算法訓(xùn)練分類器并將分類性能最好的分類器的預(yù)測概率值作為獨(dú)立生物標(biāo)志物[19]；最后使用邏輯回歸算法在兩種獨(dú)立的生物標(biāo)志物和臨床數(shù)據(jù)上訓(xùn)練最終的預(yù)測模型，構(gòu)建諾模圖[20-21]輔助臨床決策，流程如圖1所示。

圖1 實(shí)驗(yàn)整體流程

1.1 圖像預(yù)處理

醫(yī)學(xué)圖像通常對(duì)比度較低，腫瘤區(qū)域與周圍體素邊緣不清晰，明暗變化平緩，直方圖均衡化是緩解上述問題的有效方法，但是因?yàn)樵糓RI圖像周圍有大量非組織器官空白區(qū)域，這些區(qū)域均為純黑色，對(duì)全局圖像直接進(jìn)行直方圖均衡化會(huì)使肝臟組織顏色過白，圖像對(duì)比度反而下降。為了解決上述問題，本文對(duì)全局直方圖均衡化和局部直方圖均衡化進(jìn)行了對(duì)比如圖2所示，同時(shí)對(duì)比了直方圖均衡化和自適應(yīng)直方圖均衡化的差異如圖3所示，本文的局部處理指對(duì)腫瘤中心點(diǎn)周圍128×128像素大小的區(qū)域進(jìn)行直方圖均衡化或自適應(yīng)直方圖均衡化，本文自適應(yīng)直方圖均衡化采用大小為8×8像素的處理窗口。圖3(c)為局部自適應(yīng)直方圖均衡化處理結(jié)果，圖中的直方圖分布更加均勻，蘊(yùn)含信息更多，相比其他處理方法，其腫瘤區(qū)域邊界更明顯，腫瘤部分組織明暗變化更明顯，紋理更加清晰，豐富。因此，本文采用局部自適應(yīng)直方圖均衡化進(jìn)行預(yù)處理。

(a) 原始圖像 (b) 全局直方圖均衡化 (c) 自適應(yīng)直方圖均衡化圖2 全局直方圖均衡化

(a) 原始圖像 (b) 全局直方圖均衡化 (c) 自適應(yīng)直方圖均衡化圖3 局部直方圖均衡化

1.2 影像特征生物標(biāo)志物

本文針對(duì)感興趣區(qū)(ROI)提取形狀特征、一階統(tǒng)計(jì)特征和紋理特征(灰度共生矩陣、灰度游程矩陣、灰度大小區(qū)域矩陣等)。形狀特征描述了腫瘤在空間和平面上的信息，一階統(tǒng)計(jì)特征在總體度量上描述了ROI內(nèi)的亮度分布情況，紋理特征反映了腫瘤的空間信息。

二維Gabor小波變換是圖像處理的重要工具，具有良好的時(shí)域和頻域之間局部轉(zhuǎn)化的特性和方向選擇性，非常適合紋理特征提取，能夠從多尺度多方向反映感興趣特性，本文在MRI圖像采用5個(gè)尺度8個(gè)方向進(jìn)行Gabor濾波，可提取40組Gabor小波變換特征。

由于影像特征的物理含義差別較大，為了緩解不同量綱對(duì)模型訓(xùn)練產(chǎn)生影響，特征選擇之前對(duì)所有特征進(jìn)行了標(biāo)準(zhǔn)化，將所有特征值縮放到0～1之間。

特征選擇能夠去除冗余特征，篩選出高區(qū)分度的特征，本文通過方差檢驗(yàn)、曼-惠特尼秩和檢驗(yàn)、Lasso和SVM-RFE四種特征選擇算法組合應(yīng)用進(jìn)行特征選擇。特征選擇時(shí)先使用方差檢驗(yàn)和曼-惠特尼秩和檢驗(yàn)進(jìn)行特征初篩，再對(duì)初篩特征A使用Lasso和SVM-RFE分別選出兩組特征(特征集合B和特征集合C)，對(duì)初篩特征集A使用隨機(jī)森林(RF)和LightGBM進(jìn)行模型訓(xùn)練，對(duì)特征集合B和特征集合C使用SVM-RBF(徑向基核)進(jìn)行模型訓(xùn)練，特征篩選流程如圖4所示。訓(xùn)練過程中使用十折交叉驗(yàn)證和網(wǎng)格搜索選擇超參數(shù)。選擇在測試集上AUC值最高的模型的預(yù)測概率值作為影像獨(dú)立生物標(biāo)志物(Rad-Score)。

圖4 特征選擇流程

1.3 深度特征生物標(biāo)志物

卷積神經(jīng)網(wǎng)絡(luò)在圖像這種分布復(fù)雜、非結(jié)構(gòu)化的數(shù)據(jù)上表現(xiàn)優(yōu)異，目前在圖像和視頻領(lǐng)域得到廣泛應(yīng)用，但是醫(yī)學(xué)圖像收集困難，大多數(shù)醫(yī)學(xué)數(shù)據(jù)都無法從頭開始訓(xùn)練深層網(wǎng)絡(luò)。本研究在EfficientNet-B7[22]網(wǎng)絡(luò)模型的基礎(chǔ)上，對(duì)最后一層卷積層和全連接層進(jìn)行微調(diào)，并將第一層全連接層的參數(shù)作為深度特征。

訓(xùn)練前，將預(yù)處理之后的圖像通過復(fù)制構(gòu)造三通道彩色圖像。接著導(dǎo)入EfficientNet-B7在Imagenet上的預(yù)訓(xùn)練模型及其參數(shù)，去除網(wǎng)絡(luò)中的全連接層同時(shí)將除最后一層卷積層之外的參數(shù)凍結(jié)，然后加入隨機(jī)初始化的500維、1維(softmax層)的全連接層。預(yù)處理圖像包括訓(xùn)練集中病人ROI區(qū)域最大層及其相鄰上下兩層圖像共420幅，測試集圖像為病人ROI區(qū)域最大層圖像一共49幅，訓(xùn)練過程中，將圖像縮放為600×600像素大小，對(duì)每一幅圖像分別進(jìn)行向左旋轉(zhuǎn)30度、60度、90度、120度、150度、180度并進(jìn)行水平翻轉(zhuǎn)，加上左右平移20像素一共16種圖像變換方法進(jìn)行數(shù)據(jù)增廣，增廣之后訓(xùn)練集圖像為6 720幅，測試集圖像不做增廣處理，圖像增廣示意圖如圖5所示。將增廣后的圖像導(dǎo)入深度網(wǎng)絡(luò)進(jìn)行參數(shù)微調(diào)，采用早停止(early stopping)方法訓(xùn)練模型，損失函數(shù)為交叉熵，評(píng)價(jià)指標(biāo)為測試集損失函數(shù)值，當(dāng)5個(gè)epoch內(nèi)損失函數(shù)沒有降低時(shí)停止訓(xùn)練，保存最優(yōu)模型參數(shù)。最后將每個(gè)病人的MRI圖像中ROI區(qū)域最大的圖像作為輸入數(shù)據(jù)導(dǎo)入模型，將500維全連接層的輸出作為深度特征，采用1.2節(jié)的特征選擇方法和模型訓(xùn)練方法訓(xùn)練模型，構(gòu)建深度特征生物標(biāo)志物(Deep-Score)。

圖5 圖像增廣

1.4 構(gòu)建諾模圖

將Rad-Score、Deep-Score與臨床指標(biāo)中的顯著特征結(jié)合構(gòu)建多元邏輯回歸模型。在構(gòu)建預(yù)測模型之前結(jié)合P值、赤池信息量準(zhǔn)則(AIC)[23]值和數(shù)據(jù)缺失值比率進(jìn)行臨床特征篩選，使用余下的特征訓(xùn)練最終的分類模型并構(gòu)建諾模圖，使用醫(yī)學(xué)上常用的準(zhǔn)確率、敏感度等指標(biāo)評(píng)價(jià)模型的分類性能，使用校準(zhǔn)曲線對(duì)模型的穩(wěn)定性進(jìn)行評(píng)價(jià)。

2 實(shí)驗(yàn)與結(jié)果分析

本文實(shí)驗(yàn)?zāi)康氖翘骄吭谌诤嫌跋裉卣?、深度學(xué)習(xí)特征和臨床特征構(gòu)建的模型是否有助于提升模型的分類性能，實(shí)驗(yàn)過程中分別對(duì)影像特征和深度特征建立了單獨(dú)的分類模型來研究單一類型特征下模型的分類表現(xiàn)。分別提取影像特征生物標(biāo)志物和深度特征生物標(biāo)志物并導(dǎo)入邏輯回歸模型作為特征融合和模型訓(xùn)練的方法，研究融合兩類特征后模型的分類表現(xiàn)。最后對(duì)三種模型的分類效果進(jìn)行比較。

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文納入了鄭州大學(xué)人民醫(yī)院在2012年2月至2017年3月期間的189例患者入組并對(duì)實(shí)驗(yàn)數(shù)據(jù)做了去隱私化處理，數(shù)據(jù)納入標(biāo)準(zhǔn)如下:(1) 經(jīng)病理證實(shí)為肝癌而接受手術(shù)切除并有肝癌組織學(xué)報(bào)告的患者;(2) 術(shù)前1周內(nèi)進(jìn)行肝臟MRI檢查;(3) 之前未接受過射頻消融、經(jīng)導(dǎo)管動(dòng)脈化療栓塞(TACE)、肝切除或經(jīng)皮乙醇注射等治療;(4) 圖像質(zhì)量符合分析要求(在橫斷面上具有可見的病變)。從存檔的臨床組織學(xué)報(bào)告中檢索組織學(xué)分級(jí)數(shù)據(jù)，低分化級(jí)別腫瘤對(duì)應(yīng)于Edmondson I、I-II和II級(jí)，而高分化級(jí)別腫瘤對(duì)應(yīng)于Edmondson II-III、III、III-IV和IV級(jí)。數(shù)據(jù)中高分化患者94例，低分化患者95例。將兩類患者按照時(shí)間順序進(jìn)行排序,選取前140位(高分化70例，低分化70例)作為訓(xùn)練樣本，余下的49例(高分化24例，低分化25例)作為測試樣本。

本文所有數(shù)據(jù)均由在肝癌MRI診斷方面具有5年以上診斷經(jīng)驗(yàn)的影像科醫(yī)師進(jìn)行分割，分割基于脂肪抑制T2加權(quán)圖像進(jìn)行手工勾畫，勾畫范圍覆蓋影像中病變所在的所有層面，分割圖像如圖6所示，右圖白色區(qū)域?qū)?yīng)左圖肝癌腫瘤區(qū)域。

圖6 肝臟腫瘤感興趣區(qū)分割示意圖

2.2 評(píng)價(jià)指標(biāo)

在醫(yī)學(xué)影像的診斷結(jié)果中，通常使用準(zhǔn)確率(Acc)、靈敏度(Sen)和特異性(Spe)作為評(píng)價(jià)指標(biāo)。使用AUC(Area Under Curve)值評(píng)價(jià)模型性能。對(duì)于肝細(xì)胞癌的分化等級(jí)分類實(shí)驗(yàn)，將低分化預(yù)測為低分化為真陽性TP，將高分化預(yù)測為高分化為真陰性TN，將高分化預(yù)測為低分化為假陽性FP，將低分化預(yù)測為高分化為假陰性FN。各項(xiàng)指標(biāo)具體計(jì)算如下：

準(zhǔn)確率是在測試集中正確分類的數(shù)量Nc占測試集總數(shù)量的比率：

(1)

靈敏性是在測試集中真陽性(TP)與真陽性(TP)和假陰性(FN)之和的比率：

(2)

特異性是在測試集中真陰性(TN)與真陰性(TN)和假陽性(FP)之和的比率：

(3)

AUC為受試者操作特性曲線(ROC)曲線下面積，ROC曲線是真陽性診斷率與假陰性診斷率的關(guān)系圖，AUC值越接近1，其模型分類性能越好。

2.3 影像特征提取與模型訓(xùn)練

在醫(yī)生標(biāo)注的MRI圖像數(shù)據(jù)上進(jìn)行直方圖均衡化和Gabor小波變換后，針對(duì)ROI區(qū)域提取2 755個(gè)影像特征，包括8個(gè)形狀特征、17個(gè)一階統(tǒng)計(jì)特征、50個(gè)紋理特征以及2 680個(gè)Gabor小波特征，并將所有特征值縮放到0～1之間，去除量綱不同對(duì)特征選擇的影響。

依據(jù)方差越大表明特征包含的信息越多的原理，首先進(jìn)行方差檢驗(yàn)，計(jì)算所有特征的方差去除方差小于閾值(本文采用0.1)的特征，然后進(jìn)行曼-惠特尼秩和檢驗(yàn)，使用默認(rèn)P值0.95作為參數(shù)，最終選出具有顯著統(tǒng)計(jì)學(xué)意義的特征317個(gè)。最后使用Lasso算法和SVM-RFE算法選出兩組具有代表性的組學(xué)特征(Lasso選出5個(gè)特征，SVM-RFE選出18個(gè)特征)，兩個(gè)特征組分別在SVM分類器上進(jìn)行模型訓(xùn)練。

分別對(duì)Lasso選出的特征和SVM-RFE選出的特征使用SVM(徑向基核函數(shù))分類器進(jìn)行十折交叉驗(yàn)證和網(wǎng)格搜索，對(duì)未做特征選擇的影像特征分別使用隨機(jī)森林(RF)和LightGBM進(jìn)行模型訓(xùn)練，同樣使用十折交叉驗(yàn)證和網(wǎng)格搜索選擇超參數(shù)。模型的接收者操作特征曲線(ROC)曲線如圖7所示。

圖7 分類模型ROC曲線

本文選擇在測試集上曲線下面積(AUC)值最大的模型預(yù)測概率作為影像標(biāo)簽，從圖7可以看出SVM-Lasso和SVM-RFE在測試集上分類性能較低，隨機(jī)森林在訓(xùn)練集上AUC值遠(yuǎn)高于測試集上AUC值，發(fā)生嚴(yán)重的過擬合，LightGBM未出現(xiàn)過擬合且在測試集上AUC值最高，將LightGBM的預(yù)測概率作為影像特征標(biāo)簽，得到Rad-Score。

2.4 深度特征標(biāo)簽

采用EfficientNet-B7框架提取出500維深度特征，分別使用SVM和LightGBM算法對(duì)特征進(jìn)行模型訓(xùn)練，SVM分類器進(jìn)行2.3節(jié)中的相同步驟進(jìn)行特征選擇，Lasso和SVM-RFE特征選擇方法未能選出特征，采用LightGBM在未做特征選擇的深度特征上進(jìn)行模型訓(xùn)練，結(jié)合學(xué)習(xí)曲線，十折交叉驗(yàn)證和網(wǎng)格搜索選擇超參數(shù)，最終測試集AUC值可以達(dá)到0.725，結(jié)果如圖8所示。

圖8 LightGBM在深度特征上的ROC曲線

本文將LightGBM的預(yù)測概率作為深度特征標(biāo)簽,得到Deep-Score。

2.5 模型性能評(píng)價(jià)

綜合使用Rad-Score、Deep-Score與臨床指標(biāo)中的顯著特征共同構(gòu)建多元邏輯回歸模型。臨床特征包括年齡、性別、是否有脈管癌栓、是否有乙肝病史、血液AFP值、ki-67值和病灶大小一共7種臨床指標(biāo)。在構(gòu)建預(yù)測模型之前結(jié)合P值和AIC值過濾掉不存在顯著統(tǒng)計(jì)學(xué)意義及不重要的臨床特征，同時(shí)去除缺失值比率大于10%的臨床特征。研究發(fā)現(xiàn)Rad-Score和Deep-Score的P值均小于0.05且AIC值均大于閾值101.6(Rad-Score:171.24，Deep-Score:271.38)，所以本文采用Rad-Score和Deep-Score構(gòu)建預(yù)測模型。

最終分類模型的ROC曲線如圖9所示，特征融合后測試集AUC值達(dá)到0.828。為了體現(xiàn)本文特征融合方法的有效性，對(duì)影像特征、深度特征、特征融合及2019年相關(guān)研究實(shí)驗(yàn)結(jié)果的評(píng)價(jià)指標(biāo)展示在表1。可以看出，特征融合后的測試集AUC值相比影像特征分類模型提高了5.5%，相比深度特征模型提高了10.3%，特征融合模型評(píng)價(jià)指標(biāo)接近近年最優(yōu)模型。

表1 預(yù)測模型測試集評(píng)價(jià)指標(biāo)

為了便于臨床使用模型進(jìn)行可視化輔助診斷，本文融合了Rad-Score和Deep-Score這兩種影像相關(guān)的重要標(biāo)簽，繪制出直觀的諾模圖作為預(yù)測模型，如圖10所示。RadScore對(duì)應(yīng)影像特征預(yù)測模型的預(yù)測概率，DeepScore對(duì)應(yīng)深度特征預(yù)測模型的預(yù)測概率，將概率值對(duì)應(yīng)的得分(Points)相加，得到該病人的總得分(Total Points)，總得分對(duì)應(yīng)的預(yù)測概率值(Probability of low grade)就代表了患者肝細(xì)胞癌分化等級(jí)的預(yù)測概率，概率值越高則肝細(xì)胞癌低分化的可能性越大，從而實(shí)現(xiàn)肝細(xì)胞癌分化等級(jí)的預(yù)測。

圖10 個(gè)性化預(yù)測諾模圖

本文使用校準(zhǔn)曲線來驗(yàn)證諾模圖的預(yù)測效果，如圖11所示，可以看出，預(yù)測結(jié)果與真實(shí)結(jié)果偏離較小，經(jīng)計(jì)算訓(xùn)練集p=0.525，測試集p=0.471，說明模型預(yù)測風(fēng)險(xiǎn)與實(shí)際發(fā)生風(fēng)險(xiǎn)相符，具有統(tǒng)計(jì)學(xué)意義(p>0.05)，該模型具有可靠的預(yù)測性能。

圖11 校準(zhǔn)曲線

2.6 結(jié)果分析

采用影像特征進(jìn)行分類模型建模時(shí)測試集AUC值最高為0.773，采用深度特征進(jìn)行建模時(shí)測試集AUC值最高為0.725，兩種特征集合對(duì)模型分類貢獻(xiàn)區(qū)別不大，將兩種特征集合使用本文方法進(jìn)行融合后建模，測試集AUC值達(dá)到0.828，模型的分類準(zhǔn)確率和特異性接近今年相關(guān)研究的最優(yōu)分類結(jié)果，但是本實(shí)驗(yàn)方法相比文獻(xiàn)[16]對(duì)數(shù)據(jù)量要求更小，具有更高的適用性。實(shí)驗(yàn)顯示影像特征和深度特征都能反映腫瘤信息，特征融合對(duì)提升模型分類效果有幫助。

3 結(jié) 語

本文提出了一種融合影像特征與深度特征的肝臟非增強(qiáng)MRI圖像下的肝細(xì)胞癌分化等級(jí)術(shù)前預(yù)測方法: 分別提取了人為設(shè)計(jì)的影像特征2 755個(gè)，以EfficientNet-B7為基礎(chǔ)模型，通過添加全連接層導(dǎo)入增廣的ROI圖像數(shù)據(jù)進(jìn)行模型參數(shù)微調(diào)，再使用第一層全連接層進(jìn)行深度特征提取共獲得500維深度特征。采用多種特征選擇方法、多種分類模型進(jìn)行訓(xùn)練得到影像特征標(biāo)簽和深度特征標(biāo)簽，最后使用邏輯回歸模型繪制直觀的諾模圖作為預(yù)測模型，模型在校準(zhǔn)曲線上表現(xiàn)較好，特征融合后的分類模型各項(xiàng)指標(biāo)均高于單一特征模型。本文提出的方法優(yōu)于直接使用影像組學(xué)方法進(jìn)行分類，且在小樣本數(shù)據(jù)集上依然可以發(fā)揮深層卷積網(wǎng)絡(luò)的特征提取能力，實(shí)驗(yàn)證明采用本文方法提取的深度特征可以作為影像特征的補(bǔ)充，特征融合之后模型分類性能有明顯提升。

本文研究樣本仍然較少，下一步的研究目標(biāo)是通過多中心數(shù)據(jù)共享的方式繼續(xù)擴(kuò)大實(shí)驗(yàn)樣本，嘗試對(duì)更多的層進(jìn)行參數(shù)微調(diào)，提取不同層的輸出作為深度特征進(jìn)行對(duì)比實(shí)驗(yàn)，進(jìn)一步提高模型的分類性能。