基于混合深度學(xué)習(xí)框架的氣胸圖像分類(lèi)算法*

王 劍樊 敏

（1.山西醫(yī)科大學(xué)汾陽(yáng)學(xué)院 汾陽(yáng) 032200）（2.西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院 西安 710129）

1 引言

氣胸是常見(jiàn)的胸部疾病之一，如果不及時(shí)治療，可能會(huì)危及生命［1］。氣胸的發(fā)生有多種原因，如胸部受傷或其它一些肺部疾病，最常見(jiàn)的癥狀包括胸部突然劇痛或呼吸急促。由氣胸造成的肺部影像區(qū)域往往大小不一，而由此導(dǎo)致肺塌陷的大小又是治療氣胸的關(guān)鍵因素。然而，由于胸腔的復(fù)雜重疊結(jié)構(gòu)，以及氣胸的位置和大小因患者而異，診斷該疾病是一項(xiàng)極具挑戰(zhàn)性的任務(wù)［2］。胸部X射線（CXR）是肺部疾病診斷的首選技術(shù)手段，然而，由于全世界放射科醫(yī)生的數(shù)量較少，一名放射科醫(yī)生每年必須分析數(shù)千張X光片［2］，極容易造成診斷結(jié)果的偏差。不僅如此，醫(yī)療資源分布不均衡，也給醫(yī)療服務(wù)帶來(lái)了巨大的困擾。因此，利用人工智能手段，分析和處理醫(yī)學(xué)圖像數(shù)據(jù)，為醫(yī)生分析X射線照片提供參考意見(jiàn)，對(duì)于減輕放射科醫(yī)生的負(fù)擔(dān)，平衡醫(yī)療資源，具有極其重要的意義。

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，尤其以卷積神經(jīng)網(wǎng)絡(luò)為代表的一系列模型在醫(yī)學(xué)圖像分類(lèi)［3］和檢測(cè)［4］領(lǐng)域取得了不錯(cuò)的成果。但是，這些研究大都使用的是NIH胸部X光數(shù)據(jù)集，以及未公開(kāi)的數(shù)據(jù)集，很少有人使用CheXpert和Mick-CXR-JPG數(shù)據(jù)集。其次以卷積網(wǎng)絡(luò)為主的框架，雖然具有一定的空間感知，但是受胸片噪聲干擾，以及氣胸位置大小等不一的影響，最終使得模型的泛化能力不強(qiáng)，很難推廣到臨床應(yīng)用當(dāng)中。

為更全面地提取胸片的特征信息，提高氣胸診斷的準(zhǔn)確率，本文提出基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）和Visual Transformer（VIT）的混合模型（CNN-VIT）來(lái)幫助診斷氣胸疾病。將VIT模型的MLP模塊進(jìn)行改進(jìn)，使其能夠達(dá)到更好的分類(lèi)效果，并將其與卷積網(wǎng)絡(luò)相結(jié)合，同時(shí)提高全局特征與局部特征的提取效率。經(jīng)實(shí)驗(yàn)比對(duì)，本文所提出的方法具有更高的準(zhǔn)確率。

2 數(shù)據(jù)收集

由于現(xiàn)有的氣胸實(shí)驗(yàn)大都使用的是NIH公開(kāi)的ChestX-ray14胸部數(shù)據(jù)集［5］，很少有人使用CheXpert［6］和MIMIC-CXR-JPG［7］數(shù)據(jù)集，因此這些數(shù)據(jù)集需要被進(jìn)一步的探索和使用，以便用于氣胸任務(wù)的檢測(cè)。

ChestX-ray14數(shù)據(jù)集中的氣胸類(lèi)數(shù)據(jù)集可以直接使用，而CheXpert數(shù)據(jù)集和MIMIC-CXR-JPG數(shù)據(jù)集中的氣胸類(lèi)數(shù)據(jù)集需要完成一定的數(shù)據(jù)清洗工作才可以使用，主要原因是兩種數(shù)據(jù)集中含有側(cè)體位胸片，但是側(cè)體位胸片一般是用來(lái)做輔助分析的，而不直接用于疾病診斷。因此我們?cè)谧鰵庑胤诸?lèi)時(shí)，需要剔除側(cè)體位胸片。為此本文設(shè)計(jì)了一個(gè)基于AlexNet網(wǎng)絡(luò)的正位側(cè)位分類(lèi)器。整個(gè)網(wǎng)絡(luò)共計(jì)八層，包括五個(gè)卷積層和三個(gè)全連接層，全連接層神經(jīng)元個(gè)數(shù)分別為4096、4096、2。在卷積之后加入BN歸一化層，同時(shí)將激活函數(shù)由ReLU替換為GELU函數(shù)，通過(guò)實(shí)驗(yàn)表明BN層能夠加快模型的收斂速度，GELU激活函數(shù)在準(zhǔn)確率方面優(yōu)于其它激活函數(shù)。

在分類(lèi)之前首先需要人工進(jìn)行標(biāo)注，由于側(cè)體位和正體位的特征比較明顯，如在側(cè)體位的圖像中直方圖分布要明顯的偏向低灰度值部分，因此分類(lèi)任務(wù)比較簡(jiǎn)單，使用小批量的數(shù)據(jù)集即可達(dá)到較為滿意的分類(lèi)結(jié)果。經(jīng)過(guò)篩選和標(biāo)注的數(shù)據(jù)集如表1所示。

表1 正位與側(cè)位分類(lèi)數(shù)據(jù)集

訓(xùn)練過(guò)程使用Pytorch框架提供的AlexNet網(wǎng)絡(luò)的預(yù)訓(xùn)練模型，SGD作為優(yōu)化器，學(xué)習(xí)率設(shè)置為0.001，dropout設(shè)置為0.5，訓(xùn)練好的結(jié)果如圖1所示，驗(yàn)證集準(zhǔn)確率達(dá)到了0.9848。

圖1 損失及準(zhǔn)確率曲線

CheXpert數(shù)據(jù)集中的氣胸?cái)?shù)據(jù)經(jīng)過(guò)正側(cè)位分類(lèi)器后，不僅能剔除側(cè)體位圖片，同時(shí)還是能剔除一些質(zhì)量比較差的胸片，如圖2所示。

圖2 分類(lèi)器剔除的照片

綜上所述，為了使模型能夠在更大的數(shù)據(jù)集上進(jìn)行訓(xùn)練，得到更好的泛化能力，我們從以上的三個(gè)公開(kāi)數(shù)據(jù)完成了氣胸?cái)?shù)據(jù)集的收集，具體的經(jīng)過(guò)清洗后，氣胸?cái)?shù)據(jù)集達(dá)到了29161張，非氣胸?cái)?shù)據(jù)集（包括正常樣例）達(dá)到了470284張，該數(shù)據(jù)集簡(jiǎn)稱(chēng)CCM-CXR數(shù)據(jù)集。后期模型的訓(xùn)練將從該數(shù)據(jù)集內(nèi)進(jìn)行抽樣選擇。作為二分類(lèi)任務(wù)，數(shù)據(jù)存在著嚴(yán)重的不平衡，因此在實(shí)驗(yàn)時(shí)我們采用了上采樣、數(shù)據(jù)增強(qiáng)以及下采樣等方法以獲得新的平衡數(shù)據(jù)集。

3 模型方法

3.1 EfficientNet模型

EfficientNet模型［8～9］是Google公司于2019年提出的一種分類(lèi)模型。本文使用的是EfficientNet-B0模型，該模型使用強(qiáng)化學(xué)習(xí)算法實(shí)現(xiàn)MnasNet模型生成基線模型EfficientNet-B0，然后使用復(fù)合縮放的方法，在EfficientNet-B0模型預(yù)先設(shè)定的內(nèi)存和計(jì)算量的范圍內(nèi)，同時(shí)對(duì)模型的深度、寬度、圖片尺寸的三個(gè)維度進(jìn)行搜索改變，最終輸出EfficientNet模型。原始的Efficient模型設(shè)計(jì)輸出1000個(gè)分類(lèi)，本文對(duì)模型進(jìn)行改進(jìn)，重新設(shè)計(jì)了分類(lèi)層，并將其最終輸出類(lèi)別改為兩個(gè)類(lèi)別。具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 改進(jìn)的EfficientNet-B0網(wǎng)絡(luò)結(jié)構(gòu)

3.2 VIT模型

Vision Transformer（VIT）［10］是基于Transformer網(wǎng)絡(luò)的，Transformer網(wǎng)絡(luò)［11］在NLP領(lǐng)域已經(jīng)取得了非常成功的案例。Vision Transformer中只保留了編碼器部分，其主要結(jié)構(gòu)如圖4所示。其中，Muti-Head Attention模塊是基于Self-Attention模塊的，多頭注意力模塊的作用是使網(wǎng)絡(luò)能夠提取更豐富的特征信息。具體公式如下所示：

圖4 編碼器結(jié)構(gòu)

式（1）中Q表示查詢(xún)向量，K表示被查詢(xún)的向量，會(huì)與每個(gè)Q匹配，V表示特征信息，W表示權(quán)重矩陣。

VIT整體模型架構(gòu)如圖5所示。首先通過(guò)Linear embedding層將圖像劃分為多個(gè)塊，然后將其展平，在嵌入位置編碼和類(lèi)編碼，經(jīng)過(guò)Transformer Encoder層輸出后，輸入到MLP Head模塊中，該模塊由全連接層和激活函數(shù)組成，主要用于特征分類(lèi)，使用的激活函數(shù)為GELU，具體公式如下所示：

圖5 VIT模型框架

由于本文執(zhí)行的是二分類(lèi)任務(wù)，因此將最終輸出改為二分類(lèi)。

3.3 方法總體流程

本文提出的方法通過(guò)區(qū)分X胸片來(lái)診斷氣胸和非氣胸?？傮w流程如圖6所示。數(shù)據(jù)首先經(jīng)過(guò)預(yù)處理，然后使用遷移學(xué)習(xí)分別訓(xùn)練Efficient-B0和VIT兩個(gè)模型，最后將兩個(gè)模型的結(jié)果進(jìn)行加權(quán)求和，得到最終的分類(lèi)結(jié)果。

圖6 混合模型框架

混合模型可以在一定程度上提高模型的準(zhǔn)確率［12］。VIT-CNN模型集成了兩種不同的特征提取方法，以提取圖像的特征，通過(guò)實(shí)驗(yàn)最終將VIT模型的輸出結(jié)果乘以系數(shù)0.7，EfficientNet-B0模型的輸出結(jié)果乘以0.3，將兩個(gè)結(jié)果進(jìn)行相加，可以得到更好的預(yù)測(cè)結(jié)果。

3.4 VIT模型改進(jìn)

本文選用的VIT模型為VIT-L/16，諸多實(shí)驗(yàn)表明，Transformer網(wǎng)絡(luò)在遷移學(xué)習(xí)下模型性能會(huì)更好，因此我們選用帶有ImageNet數(shù)據(jù)集預(yù)訓(xùn)練權(quán)重的模型，該模型由23個(gè)自編碼模塊堆疊組成，為了使模型能夠更好地完成氣胸分類(lèi)任務(wù)，我們刪除了原有的MLP模塊，并自定義了如圖7所示的MLP模塊。

圖7 自定義MLP模塊

首先將Transformer模塊的輸出進(jìn)行展平，然后通過(guò)兩組由歸一化操作和全連接層組成的模塊，最后完成分類(lèi)。使用BN層可以防止模型過(guò)渡擬合，并且使模型收斂加快。第一個(gè)全連接層由120個(gè)神經(jīng)元組成，并使用GELU激活函數(shù)，GELU的非線性變化是一種符合預(yù)期的隨機(jī)正則變換方式，該函數(shù)可以為T(mén)ransformer網(wǎng)絡(luò)模型的性能帶來(lái)提升，如GPT-2［13～14］、BERT［15～16］模型。

4 實(shí)驗(yàn)及結(jié)果

4.1 數(shù)據(jù)預(yù)處理及數(shù)據(jù)增強(qiáng)

本文選取的數(shù)據(jù)集來(lái)自ChestX-ray14，CheXpert和MIMIC-CXR-JPG三個(gè)胸部開(kāi)源數(shù)據(jù)集，總計(jì)收集499445張數(shù)據(jù)集，其中氣胸?cái)?shù)據(jù)集為29161張作為正樣本，470284張非氣胸?cái)?shù)據(jù)集作為負(fù)樣本，負(fù)樣本中包括正常樣本和非氣胸的其它疾病樣本，這樣有助于數(shù)據(jù)的多樣性，增強(qiáng)網(wǎng)絡(luò)的泛化能力。從收集的數(shù)據(jù)來(lái)看，正負(fù)樣本的比例為0.06：1，數(shù)據(jù)集存在嚴(yán)重的不均衡問(wèn)題，數(shù)據(jù)集不均衡會(huì)影響網(wǎng)絡(luò)的訓(xùn)練效果，以及網(wǎng)絡(luò)的評(píng)估結(jié)果。針對(duì)以上問(wèn)題，本文使用了上采樣、實(shí)時(shí)數(shù)據(jù)擴(kuò)增、下采樣相結(jié)合的方法，完成了數(shù)據(jù)的劃分。

對(duì)于正樣本數(shù)據(jù)集采用了上采樣和實(shí)時(shí)數(shù)據(jù)擴(kuò)增的方法，首先使用上采樣方法將正樣本數(shù)據(jù)復(fù)制兩份，達(dá)到擴(kuò)增數(shù)據(jù)集的目的，然而單純的復(fù)制并不能保證數(shù)據(jù)的多樣性，因此利用實(shí)時(shí)數(shù)據(jù)擴(kuò)增方法增強(qiáng)數(shù)據(jù)的多樣性，包括隨機(jī)裁剪、左右上下翻轉(zhuǎn)、隨機(jī)旋轉(zhuǎn)、90°旋轉(zhuǎn)等方法。對(duì)于負(fù)樣本數(shù)據(jù)，利用下采樣方法，隨機(jī)抽取58322張圖像，使最終的正負(fù)樣本比例達(dá)到1∶1。具體的數(shù)據(jù)劃分情況如表2所示，90%的數(shù)據(jù)集為訓(xùn)練集，5%的數(shù)據(jù)集為驗(yàn)證集，5%的數(shù)據(jù)集為測(cè)試集。最后將劃分好的數(shù)據(jù)集的大小統(tǒng)一調(diào)整為224×224像素。對(duì)于后期實(shí)驗(yàn)中的部分網(wǎng)絡(luò)如inception-V3網(wǎng)絡(luò)，則調(diào)整為299×299像素。

表2 氣胸分類(lèi)數(shù)據(jù)集劃分

4.2 實(shí)驗(yàn)細(xì)節(jié)

本文所用的實(shí)驗(yàn)硬件環(huán)境是由一個(gè)5核Intel（R）Xeon（R）Silver 4210R CPU，兩個(gè)24G顯存的NVIDIA RTX3090顯卡和128G內(nèi)存所組成。該模型使用上述硬件，并采用python3.8虛擬環(huán)境及Pytorch框架完成了所有的實(shí)驗(yàn)測(cè)試項(xiàng)目。在訓(xùn)練時(shí)，我們采用交叉熵?fù)p失函數(shù)，以及NovoGrad優(yōu)化器［17］，它是一種自適應(yīng)隨機(jī)梯度下降方法，利用逐層歸一化方法使優(yōu)化器對(duì)學(xué)習(xí)率和權(quán)重的初始化更具魯棒性。通過(guò)實(shí)驗(yàn)表明，它與SGD優(yōu)化器具有同等或者更好的性能，與Adam優(yōu)化器相比，它在內(nèi)存使用上減少了一半，并且更穩(wěn)定，雖然模型的訓(xùn)練時(shí)間減少了，而性能卻沒(méi)有下降。我們將學(xué)習(xí)率設(shè)置為0.001，批量大小設(shè)置為32，模型均訓(xùn)練30個(gè)epoch，在訓(xùn)練EfficientNet-B0和Vision Transformer時(shí)均使用預(yù)訓(xùn)練的ImageNet權(quán)重作為初始化權(quán)重。

4.3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證所提方法的有效性，按照4.2節(jié)所述的實(shí)驗(yàn)方法，EfficientNet-B0模型、VIT模型以及集成模型CNN-VIT模型在訓(xùn)練集上的損失變化與驗(yàn)證集上得準(zhǔn)確率變化如圖8所示。集成模型在測(cè)試集上的準(zhǔn)確率與精確率如表3所示，AUC值如圖9所示。

圖8 模型訓(xùn)練曲線

表3 三種模型在測(cè)試集上的準(zhǔn)確率、精確率及AUC值

圖9 集成模型測(cè)試集AUC值

從圖8中可以看出改進(jìn)的VIT模型準(zhǔn)確率要高于EfficientNet模型，由于使用了遷移學(xué)習(xí)初始化權(quán)重，因此模型在訓(xùn)練集上的開(kāi)始損失即是一個(gè)比較小的初始值。在驗(yàn)證集上的開(kāi)始準(zhǔn)確率也是比較高的一個(gè)初始值，這有助于模型的快速收斂。從表3可以看出改進(jìn)的VIT模型在測(cè)試集上的準(zhǔn)確率比EfficientNet模型的準(zhǔn)確率高3.6%，精確率高1.4。這表明改進(jìn)的VIT模型要優(yōu)于EfficientNet模型。集成到CNN-VIT模型后，準(zhǔn)確率達(dá)到了99.00%，精確率達(dá)到了99.24%，AUC值達(dá)到了0.99，性能得到了進(jìn)一步的提升。

為了更好地說(shuō)明本文所提方法的分類(lèi)能力，圖10為模型進(jìn)行預(yù)測(cè)分類(lèi)時(shí)的混淆矩陣。從混淆矩陣中可以看出，改進(jìn)的VIT模型識(shí)別能力比較均衡，對(duì)于氣胸與非氣胸的識(shí)別精度相同。Efficient-Net模型在識(shí)別氣胸和非氣胸能力上存在差異，并且識(shí)別氣胸的能力更強(qiáng)。CNN-VIT集成模型，對(duì)非氣胸的識(shí)別精度與改進(jìn)的VIT模型相同，但是對(duì)氣胸的識(shí)別能力更強(qiáng)，這使得集成模型在臨床診斷中可以更好地檢測(cè)氣胸任務(wù)，是符合實(shí)際應(yīng)用的。

圖10 分類(lèi)混淆矩陣

4.4 消融實(shí)驗(yàn)

1）改進(jìn)VIT模型實(shí)驗(yàn)

為了驗(yàn)證改進(jìn)的VIT中每個(gè)模塊的有效性，在CCM-CXR數(shù)據(jù)集上進(jìn)行了消融實(shí)驗(yàn)，如表4所示。從表4的實(shí)驗(yàn)1可以看出，當(dāng)使用BN+1個(gè)全連接層+ReLU激活函數(shù)時(shí)，測(cè)試集的準(zhǔn)確率下降了2.35%。實(shí)驗(yàn)2可以看出，當(dāng)減少了BN層時(shí)，測(cè)試集準(zhǔn)確率下降到了95.37%。實(shí)驗(yàn)3可以看出，當(dāng)把激活函數(shù)替換為GeLU函數(shù)時(shí)，準(zhǔn)確率相比于實(shí)驗(yàn)2有所提高，達(dá)到了96.59%。實(shí)驗(yàn)3可以看出，當(dāng)把激活函數(shù)替換為GeLU函數(shù)時(shí)，準(zhǔn)確率相比于實(shí)驗(yàn)2有所提高，達(dá)到了96.59%。從實(shí)驗(yàn)4可以看出，當(dāng)使用BN+1個(gè)全連接層+GeLU激活函數(shù)時(shí)，測(cè)試集準(zhǔn)確率又有了進(jìn)一步的提高，準(zhǔn)確率達(dá)到了97.21%，當(dāng)使用兩個(gè)BN+1個(gè)全連接層+GeLU激活函數(shù)模塊堆疊時(shí)，準(zhǔn)確率達(dá)到了98.81%，而去掉BN層時(shí)，準(zhǔn)確率下降了1.7%。當(dāng)我們繼續(xù)增加堆疊的層數(shù)時(shí)，模型在測(cè)試集上的準(zhǔn)確率開(kāi)始下降，這表明模型出現(xiàn)了過(guò)渡擬合的情形，因此我們最終決定使用兩個(gè)模塊堆疊的MLP結(jié)構(gòu)。

表4 改進(jìn)VIT-L/16模型消融實(shí)驗(yàn)（二分類(lèi)任務(wù)）

2）數(shù)據(jù)預(yù)處理實(shí)驗(yàn)

本文的數(shù)據(jù)集CCM-CXR，來(lái)源于三個(gè)開(kāi)源的胸部數(shù)據(jù)集，為了加快模型的收斂速度，提高模型的準(zhǔn)確率，讓模型更好地符合臨床輔助診斷的實(shí)際需求，本文對(duì)數(shù)據(jù)集進(jìn)行了數(shù)據(jù)清洗，具體的方法如第2節(jié)所述。在實(shí)際診斷中，當(dāng)醫(yī)生遇到側(cè)位胸片以及質(zhì)量較差的胸片時(shí)，醫(yī)生都會(huì)使用軟件進(jìn)行相應(yīng)的窗位調(diào)節(jié)，以便更好地識(shí)別氣胸。因此本文首先通過(guò)網(wǎng)絡(luò)清洗，剔除一些臟數(shù)據(jù)以及質(zhì)量較差的數(shù)據(jù)，從表5中也可以看出，利用清洗過(guò)的數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練，其準(zhǔn)確率的提升是顯著的，提高了3.84%，由此我們可以看到模型的改進(jìn)固然重要，但是相比于前期的數(shù)據(jù)預(yù)處理也很重要，高質(zhì)量的數(shù)據(jù)集可以加快模型的收斂，提高模型的準(zhǔn)確率，增強(qiáng)模型的泛化能力。

表5 基于改進(jìn)模型VIT-L/16的數(shù)據(jù)預(yù)處理消融實(shí)驗(yàn)

4.5 其它模型的比較

為了進(jìn)一步證明本文所提方法的有效性，本文將該模型與一些經(jīng)典的分類(lèi)模型進(jìn)行了比較，在實(shí)驗(yàn)中為了保證實(shí)驗(yàn)條件的一致性，除個(gè)別網(wǎng)絡(luò)如Inception-V3需要調(diào)整圖像為299×299外，其余數(shù)據(jù)預(yù)處理方法均相同。具體表現(xiàn)如表6所示。從表中可以看出Inception-V3網(wǎng)絡(luò)的準(zhǔn)確率較高，其可能的原因是Inception-V3網(wǎng)絡(luò)的圖像輸入分辨率高于其它模型輸入圖像的分辨率。整體來(lái)看本文所提方法的準(zhǔn)確率高于其它模型，表現(xiàn)最佳，可以更好地幫助診斷氣胸疾病。

表6 與其它模型的比較

5 結(jié)語(yǔ)

針對(duì)目前卷積網(wǎng)絡(luò)在醫(yī)學(xué)分類(lèi)任務(wù)中其有限的局部感受野限制它們獲取全局信息的能力，本文提出了基于CNN和Transformer的混合深度學(xué)習(xí)框架，解決了傳統(tǒng)CNN忽略圖像內(nèi)部長(zhǎng)距離依賴(lài)關(guān)系，無(wú)法準(zhǔn)確描述醫(yī)學(xué)圖像全局特征信息的問(wèn)題。同時(shí)為了提高模型的泛化能力，依托三個(gè)開(kāi)源的胸部數(shù)據(jù)集收集了包含50萬(wàn)張胸片的數(shù)據(jù)集，從而提高了氣胸分類(lèi)任務(wù)的準(zhǔn)確率。將所提出的模型與其它模型進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明所提模型能夠更好地識(shí)別氣胸任務(wù)，為臨床氣胸診斷提供了更加可靠的方法。但本文仍然存在一定的局限性，在實(shí)際的臨床診斷中，胸片作為診斷胸部疾病的方法，主要包括肺結(jié)節(jié)、肺炎、肺水腫、肺不張、新冠肺炎等，后續(xù)的工作將考慮胸部圖像的多分類(lèi)任務(wù)，目前胸部圖像的多分類(lèi)任務(wù)的準(zhǔn)確率為90%，尚不能達(dá)到臨床診斷的實(shí)際需求，因此下一階段將利用深度學(xué)習(xí)混合框架進(jìn)一步研究多分類(lèi)任務(wù)，提高胸片圖像分類(lèi)的準(zhǔn)確率，為臨床的診斷提供更加可靠的方法。