首页 > 论文范文 > 医药卫生论文 > 肿瘤科论文 > 胰腺癌论文 > 基于深度学习算法的胰腺癌CT自动分期系统的构建与应用

基于深度学习算法的胰腺癌CT自动分期系统的构建与应用

2024-05-09 14 上传者：管理员

摘要：目的:构建基于深度学习算法的胰腺癌计算机断层扫描(CT)自动分期系统，并探讨其应用价值。方法:回顾性分析我院2014年01月至2021年12月收治的286例胰腺癌患者的临床资料，均经CT检查且明确TNM分期，利用CT检查信息基于深度学习算法的胰腺癌CT自动分期系统。另选取2022年01月至2023年02月胰腺癌患者92例，均经CT检查，并利用上述系统进行TNM分期，分析该系统的准确性。结果:基于深度学习算法的胰腺癌CT自动分期系统共包括7个模块，可以实现胰腺癌TNM自动分期；92例患者中共有Ⅰ期12例、Ⅱ期31例、Ⅲ期36例、Ⅳ期13例，经基于深度学习算法的胰腺癌CT自动分期系统诊断共有Ⅰ期10例、Ⅱ期31例、Ⅲ期38例、Ⅳ期13例；该系统诊断胰腺癌TNM分期的灵敏度、特异度和准确度高，且与金标准高度一致(Kappa值=0.912,P<0.001)。结论:本研究构建了基于深度学习算法的胰腺癌CT自动分期系统，诊断价值高。

关键词：
分期
深度学习算法
胰腺导管
胰腺癌
计算机断层扫描
加入收藏

胰腺癌起源于胰腺导管上皮与腺泡细胞，恶性程度高、病情进展快、生存时间短。调查指出[1],胰腺癌发病率约为5/10万，在所有恶性肿瘤中占比约2%～2.5%, 死亡率高， 5年生存率不足8%。有研究[2]显示，Ⅲ-Ⅳ期是胰腺癌预后差的危险因素，因此对胰腺癌患者准确分期并针对治疗，对改善预后有重要意义。然而目前常用的TNM分期系统往往需要在术后明确，且需要配合术中观察和术后病理检查，有局限性[3]。计算机断层扫描(CT)图像的灰度可反映器官组织对X线的吸收程度，而病灶组织与周围正常组织的灰度不一，因此可在图像上读出病灶信息[4]。CT诊断胰腺癌图像清晰度高、诊断灵敏且准确[5]。尹伟等[6]研究证实CT可用于胰腺癌术前分期，然而利用CT对胰腺癌分期操作难度大、且准确性不理想。深度学习算法是人工神经网络研究的概念，是指学习样本数据的内在规律和表示层次，获得信息对应的影像特征，并根据该信息构建一个能够自动分析、诊断病情的系统[7,8,9]。有学者研究发现，深度学习算法可以实现胰腺分割及自动体积测量[10]。而胰腺癌不同分期的肿瘤大小、淋巴结转移情况及远处转移情况不同，CT影像也有差异，因此可以基于深度学习算法构建胰腺癌CT自动分期系统，但仍需进一步研究。鉴于此，本研究回顾性分析286例患者的资料构建基于深度学习算法的胰腺癌CT自动分期系统，并利用92例患者的分期结果验证该系统的可靠性。

1、资料与方法

1.1 一般资料

纳入标准：①均经病理学检查确诊为胰腺癌；②均实施CT检查；③均有完整的TNM分期结果；④本人和(或)家属对本研究知情同意。排除标准：①复发性胰腺癌患者；②其它部位原发性癌症转移至胰腺者；③CT检查结果不清晰或有漏项者；④依从性差者；⑤有沟通或认知障碍者。

回顾性分析医院2014年01月至2021年12月收治的286例胰腺癌患者的临床资料，男178例，女108例，年龄31～75岁，平均(60.55±11.03)岁，TNM分期：Ⅰ期38例、Ⅱ期96例、Ⅲ期111例、Ⅳ期41例，分化程度：未分化癌21例、低分化癌57例、中分化癌106例、高分化癌102例。另选取2022年01月至2023年02月胰腺癌患者92例，男58例，女34例，年龄30～78岁，平均(61.42±10.63)岁。本研究已经过医院伦理委员会批准(审批号：院准字2023年第010号)。

1.2 方法

CT检查：采用CT机(美国GE公司，GE Revolution 256排螺旋CT),首先对胰腺进行平扫，然后对动脉期、静脉期与实质期进行增强扫描。采用快速团注法，碘海醇对比剂90 mL,注射速率3 mL/s, 延迟时间：静脉期45 s、动脉期20 s、实质期80 s。扫描范围：自第一肝门至胰腺钩突下水平，层厚、螺距和间隔分别为2 mm、1 mm、2 mm。测定CT值，将图像上传至工作站，进行胰周血管重建和后处理，处理方法包括容积成像、最大密度投影与多平面重建等。

基于深度学习算法的胰腺癌CT自动分期系统的构建：技术路线：CT图像输入→CT图像标注数据库→图像预处理→最大肿瘤直径测量/淋巴结转移识别/远处转移识别→病灶特征提取→测量判断→输出，其中CT图像标注数据库用于存储512例胰腺癌患者的CT检查结果和分期诊断结果，CT检查结果包括最大肿瘤直径检测、淋巴结转移识别和远处转移识别；图像预处理模块是指对输入的图像进行降噪和增强处理；最大肿瘤直径测量需要首先利用判别模块判断肿瘤数目，筛选出最大肿瘤，然后测量其长径；淋巴结转移识别模块用于识别胰腺周围转移的淋巴结；远处转移模块用于识别远处转移的肿瘤；病灶特征提取用于提取不同分期的肿瘤特征，包括是否有毛刺装凸起、邻近结构受累、肿瘤与正常组织的密度差、肿瘤与正常组织的CT值差，进而形成胰腺癌分期特征的参数集合；测量判断模块是指将输入的CT图像信息进行特征提取后与上述数据库的参数集合进行比对，匹配后得出最大肿瘤直径、淋巴结转移与远处转移识别情况，输出是指根据上述结果与病理检查结果进行比对，在输入的CT图像上自动显示最大肿瘤直径、淋巴结转移、远处转移情况，最终可在图像上自动显示TNM分期结果。另外输入CT图像后可进入卷积层 1、池化层1、卷积层m-1、池化层m-1……卷积层n, 特征提取卷积网络，进入图像分割网络，包括上采样层1、特征融合层m-1……特征融合层1、上采样层1,对病变区域进行判别，输出结果图像，并在结果图像上显示TNM分期结果。

TNM分期判断“金标准”:所有胰腺癌患者均实施腹腔镜下/开腹探查术，并根据术中所见、术后病理检查判断TNM分期，即：将最大肿瘤直径≤4 cm且无淋巴结转移无远处转移记为Ⅰ期；将最大肿瘤直径>4 cm且无淋巴结转移无远处转移、最大肿瘤直径>4 cm有1～3枚局部淋巴结转移但无远处转移记为Ⅱ期；将有≥4枚区域淋巴结转移但无远处转移、肿瘤侵犯腹腔干或肠系膜上动脉或肝总动脉，无远处转移记为Ⅲ期；将有远处转移记为Ⅳ期。

1.3 观察指标

①统计92例患者的TNM分期情况；②统计92例患者经基于深度学习算法的胰腺癌CT自动分期系统输出的TNM分期情况；③分析基于深度学习算法的胰腺癌CT自动分期系统诊断各分期的灵敏度、特异度和准确度，并计算约登指数，分析该方法与“金标准”的一致性。

1.4 统计学方法

采用SPSS20.0软件检验。基于深度学习算法的胰腺癌CT自动分期系统诊断结果与“金标准”的一致性采用Kappa检验，其中Kappa值≥0.75认为有高度一致性。P<0.05为差异有统计学意义。

2、结果

92例患者的TNM分期为：Ⅰ期12例、Ⅱ期31例、Ⅲ期36例、Ⅳ期13例。经基于深度学习算法的胰腺癌CT自动分期系统诊断，92例患者中共有Ⅰ期10例、Ⅱ期31例、Ⅲ期38例、Ⅳ期13例。具体诊断结果：12例TNM Ⅰ期患者中，基于深度学习算法的胰腺癌CT自动分期系统诊断Ⅰ期10例、Ⅱ期1例、Ⅲ期1例；31例TNM Ⅱ期患者中，基于深度学习算法的胰腺癌CT自动分期系统诊断Ⅱ期30例、Ⅲ期1例；36例TNM Ⅲ期患者中，基于深度学习算法的胰腺癌CT自动分期系统诊断均为Ⅲ期；13例TNM Ⅳ期患者中，基于深度学习算法的胰腺癌CT自动分期系统诊断均为Ⅳ期。

基于深度学习算法的胰腺癌CT自动分期系统诊断TNM各期的灵敏度分别为83.33%、96.77%、100.00%、100.00%,特异度和准确度均高于95%,见表1。基于深度学习算法的胰腺癌CT自动分期系统诊断胰腺癌TNM分期结果与金标准具有高度一致性(Kappa值=0.912,P<0.001)。

典型病例CT检查和基于深度学习算法的胰腺癌CT自动分期系统输出结果如下：典型病例1,女，71岁，胰头区胰腺癌(Ⅰ期，T2N0M0),肿瘤最大径线3.1 cm, 未见局部淋巴结转移及远处转移。基于深度学习算法的胰腺癌CT自动分期系统输出显示Ⅰ期，见图1-2。

表1 基于深度学习算法的胰腺癌CT自动分期系统诊断TNM各期的效能 (%)

图1 典型病例1 CT诊断图像

图2 典型病例1基于深度学习算法的胰腺癌CT自动分期系统输出图像

图3 典型病例2 CT诊断图像

图4 典型病例2基于深度学习算法的胰腺癌CT自动分期系统输出图像

图5 典型病例3 CT诊断图像

图6 典型病例3基于深度学习算法的胰腺癌CT自动分期系统输出图像

图7 典型病例4 CT诊断图像

图8 典型病例4基于深度学习算法的胰腺癌CT自动分期系统输出图像

3、讨论

CT是常用的疾病诊断方法，可利用精确准直X线束围绕人体某个特定的部位进行断面扫描，将疾病信息以不同灰度的像素点按照矩阵排列形成扫描图像，从而指导医师判断患者的疾病状态[11,12,13]。CT增强扫描不仅可观察胰腺癌供血血管情况，并且在动脉期、静脉期与实质期病灶的CT值均低于正常胰腺组织，据此可以判断肿瘤范围、大小及是否有远处转移等，而胰周转移的淋巴结经增强CT检查也显示出低密度，也可据此初步判断是否有淋巴结转移及个数，因此增强CT可用于胰腺癌分期诊断[14]。但是常规根据增强CT图片判断胰腺癌分期主观性强，并且工作量大、准确度不高，而构建自动分期系统对快速、准确判断胰腺癌分期具有重要意义。

本研究发现，基于深度学习算法的胰腺癌CT自动分期系统可明确诊断TNM分期，并且除了对Ⅰ期诊断的灵敏度为83.33%,对Ⅰ期诊断的特异度和准确度、对其它各期诊断的灵敏度、特异度与准确度均高于95%,说明基于深度学习算法的胰腺癌CT自动分期系统对TNM分期诊断价值高。在一致性分析结果中显示其与金标准结果具有高度一致性，证实基于深度学习算法的胰腺癌CT自动分期系统可用于临床TNM分期诊断。深度学习算法符合人工智能理念，利用人工神经网络，可以进行反复学习和特征提取，并且自动调试出准确度极高的模型，该系统诊断TNM分期的准确度远远高于经验诊断，并且工作效能也显著提升，可以极大节省临床医师的时间、减少其工作量[15,16,17]。本研究基于深度学习算法构建胰腺癌CT自动分期系统，首先将CT检查图片输入，并构建CT图像标注数据库，对输入的CT图像进行预处理，测量最大肿瘤直径，识别淋巴结转移是否发生及转移的淋巴结个数，识别是否发生远处转移，提取数据特征，测量最大肿瘤直径、判断TNM分期，然后在输入的图片上标注图像提取特征信息和TNM分期判断结果，最终输出结果，从而指导临床医师选择后续的治疗方案。与金标准相比较，该方法避免了入腹探查、减轻了患者的痛苦，与常规CT检查和主观预判断TNM分期相比较，该方法准确度高，且操作更简单，因此建议推广使用。基于深度学习算法的影像学诊断系统在乳腺癌、肺腺癌、前列腺癌诊断及病理特征判断中也均得到了推广使用及认可[18,19,20]。本研究与上述报道原理一致，结果相符，但本研究报道了一个新型的胰腺癌自动分期系统，具有创新性。

另外，本研究中有1例Ⅰ期胰腺癌经基于深度学习算法的胰腺癌CT自动分期系统诊断为Ⅱ期，有1例Ⅰ期胰腺癌经系统诊断为Ⅲ期，有1例Ⅱ期胰腺癌经系统诊断为Ⅲ期，可能与输入的CT图像清晰度差有关，且CT图像质量受患者配合度、运动伪影、噪声信号等影响，虽然基于深度学习算法的胰腺癌CT自动分期系统设计时融入了降噪、增强等处理，但也可能因为图像分辨率低导致错误处理，从而导致TNM分期结果与金标准不符。而后续仍需重点探讨如何提高该系统诊断胰腺癌TNM分期的准确度。

综上所述，构建基于深度学习算法的胰腺癌CT自动分期系统包括7个模块，利用胰腺癌CT检查数据库提取特征，确定不同特征与TNM分期规律，且获得的自动分期系统对TNM分期诊断的价值高，值得推广。然而该自动分期系统对胰腺癌TNM分期仍有误诊情况，如何提高其准确度应作为后续研究的重点。

参考文献:

[1]杨欢,王晓坤,范金虎.中国胰腺癌流行病学,危险因素及筛查现况[J].肿瘤防治研究,2021,48(10):909-915.

[6]尹伟,张倩雯,许兵,等.宽探测器多层螺旋CT靶扫描技术在胰腺癌术前评估中的应用价值[J].中华胰腺病杂志,2021,21(4):276-281.

[8]胡逸凡,宫悦,付兰兰,等.CT增强影像组学联合临床资料构建列线图预测食管鳞状细胞癌T分期[J].实用放射学杂志,2023,39(4):552-556.

[10]蔡金秀,崔应谱,孙兆男,等.基于深度学习实现胰腺分割及自动体积测量的初步研究[J].临床放射学杂志,2022,41(1):86-93.

[12]张洪博,纪凤颖,张亚南,等.多层螺旋CT诊断胰腺癌的进展[J].现代肿瘤医学,2018,26(19):3158-3162.

[13]王天佐,姜慧杰.胰腺导管腺癌CT､MR相关研究进展[J].现代肿瘤医学,2020,28(04):672-676.

[14]周雨,孔瑶,陈汝福.胰腺癌精准术前评估的现状及挑战[J].中华外科杂志,2022,60(1):22-26.

[18]袁梦绚.基于深度学习的乳腺癌预测[J].计算机与数字工程,2021,49(11):2353-2357.

[19]黄栎有,徐璐,温林春,等.CT影像组学模型及深度学习技术预测肺腺癌EGFR突变[J].放射学实践,2022,37(8):971-976.

[20]张凌烟,杨川,卓育敏,等.基于深度学习提高经直肠超声诊断前列腺癌效能的研究[J].中华超声影像学杂志,2022,31(1):43-49.