Основные
- Я обучил глубокую сверточную нейронную сеть обнаруживать сдавление шейного отдела спинного мозга на МРТ и достиг 93% точности в этой задаче классификации.
- Модель была протестирована на наборе данных МРТ, включая пациентов с заболеванием шейного отдела позвоночника и здоровых пациентов контрольной группы. Модель идентифицировала пациентов с заболеванием шейки матки с высокой чувствительностью (97%) и специфичностью (85%).
- Эту модель глубокого обучения можно использовать в учреждениях первичной медико-санитарной помощи для быстрой интерпретации МРТ шейного отдела позвоночника и пометки пациентов с аномальными МРТ для дальнейшего рассмотрения.
Введение
Дегенеративная шейная миелопатия (DCM) - хроническое заболевание, которое вызывает прогрессирующую нетравматическую компрессию шейного отдела спинного мозга. Поскольку компрессия спинного мозга ухудшается, DCM может вызвать неврологический дефицит, нарушение подвижности и значительное ухудшение качества жизни.
Клинические испытания CSM-International и CSM-North American - два крупнейших клинических исследования, в которых изучались клинические исходы после хирургической декомпрессии спинного мозга при ДКМП. Пациенты включались в исследование, если у них имелся 1 или более клинических признаков миелопатии и визуализированные доказательства компрессии шейного отдела спинного мозга. Каждому пациенту сделали МРТ шейного отдела позвоночника, а затем сделали операцию. Затем пациенты были обследованы через 6 месяцев, 12 месяцев и 24 месяца после операции.
Представление данных
Каждому пациенту была сделана предоперационная МРТ шейного отдела позвоночника, которая как минимум включала Т2-взвешенную и Т1-взвешенную последовательность с аксиальной и сагиттальной сериями. К сожалению, МРТ хранились в разных форматах. Большинство из них были файлами dicom, но многие хранились в виде мозаичных серий jpeg- или png-файлов. Кроме того, некоторые МРТ отсутствовали или были повреждены. Я включил только МРТ, которые хранились как файлы dicom, что ограничило нас 289 пациентами.
Я решил представить каждую МРТ как серию независимых осевых 2D-изображений. Это было выгодно, потому что я мог использовать существующие модели глубокого обучения, такие как VGG16 или ResNet50. Я решил рассматривать каждый аксиальный срез независимо от других аксиальных срезов в сканировании. Я подумал, что это будет разумный компромисс. Обратной стороной этого подхода является то, что любая особенность, которая проявляется преимущественно вдоль оси Z, будет потеряна. Я извлек T2-взвешенную осевую последовательность для каждого пациента и сохранил их как новый набор файлов dicom. Это было сделано вручную с помощью OsiriX Lite.
Маркировка данных
Существует ряд патологических изменений, которые можно идентифицировать при МРТ пациента с ДКМП. Полный спектр результатов визуализации обобщен в этой статье 2016 года из Neurosurgical Focus. (Https://www.ncbi.nlm.nih.gov/pubmed/27246488)
Подводя итог, можно сказать, что структурные изменения, связанные с DCM, которые можно обнаружить на МРТ, включают:
- Компрессия спинного мозга
- Шейный стеноз
- Смена сигнала шнура
- Связочная патология
- Спондилолистез
- Сагиттальное выравнивание
Я решил сфокусировать модель глубокого обучения на обнаружении компрессии спинного мозга по следующим причинам:
- Сдавливание спинного мозга очень чувствительно при миелопатии. Следующее исследование 103 пациентов 2010 г. (https://www.ncbi.nlm.nih.gov/pubmed/20150835) показало, что компрессия спинного мозга была 100% чувствительной и 79,6% специфичной для клинической миелопатии.
- Компрессию спинного мозга можно надежно оценить на аксиальных изображениях, взвешенных по Т2, с помощью ряда систем оценки. Надежность этих систем оценивания между экспертами превышает 80%, а в некоторых исследованиях - более 95%. (Https://www.ncbi.nlm.nih.gov/pubmed/27246488)
- Несмотря на то, что компрессия спинного мозга не на 100% специфична для клинической миелопатии, наличие компрессии спинного мозга является тревожным открытием, которое требует дальнейшего наблюдения.
По этим причинам я полагал, что модель глубокого обучения, способная надежно обнаружить компрессию спинного мозга, послужит полезным инструментом скрининга для выявления пациентов, у которых есть симптомы клинической миелопатии или которые находятся в группе риска развития клинической миелопатии.
Чтобы стандартизировать маркировку данных, я использовал качественные критерии, изложенные в этом исследовании 2010 года. Https://www.ncbi.nlm.nih.gov/pubmed/20150835. Важно отметить, что я не проводил различий между частичной компрессией спинного мозга и окружной компрессией спинного мозга. Вместо этого я определил компрессию спинного мозга как любое углубление на паренхиме спинного мозга, которое изменяет контур периметра спинного мозга. Этикетировщики оценили каждый осевой срез, взвешенный по Т2, и присвоили метку:
- 1: свидетельство частичного или периферического сдавления спинного мозга или
- 0: компрессия спинного мозга отсутствует.
Результаты маркировки
Два специалиста по маркировке независимо друг от друга пометили 110 пациентов, что соответствует 5635 индивидуальным аксиальным изображениям. Остальные 173 пациента не были маркированы на этом этапе и были оставлены для модельного тестирования.
Как вы можете видеть, два этикетировщика имеют отличное согласие (96,4%) на изображениях, которые не были сжаты. Согласие по-прежнему хорошее (88,1%) на сжатых изображениях. Я исследовал изображения, на которых были разногласия между этикетировщиками, и обнаружил, что эти изображения, как правило, были с минимальным частичным сжатием.
Резюме
В первой части этого отчета я описал метод представления данных и процесс подготовки данных. Таким образом, я собрал снимки МРТ пациентов с дегенеративной шейной миелопатией (DCM) из исследований CSM-International и CSM-North American. Затем я извлек T2-взвешенную осевую последовательность у каждого пациента. Я сосредоточился на выявлении компрессии спинного мозга на этих осевых изображениях, потому что компрессия спинного мозга является высокочувствительной и специфической находкой для клинической миелопатии. Два специалиста по маркировке просмотрели подмножество изображений и пометили каждое осевое изображение, взвешенное по Т2, на основе заранее определенного набора качественных критериев для идентификации изображений, показывающих компрессию спинного мозга.
Модель Архитектура
Я посмотрел на установленные глубокие сверточные нейронные сети (CNN) и после некоторого сравнения решил сосредоточиться на ResNet50 из-за его хорошей производительности в базе данных ImageNet и относительно меньших требований к памяти. Предыдущие исследования дали хорошие результаты с использованием трансферного обучения с применением весов из Imagenet для классификации изображений МРТ и КТ. Таким образом, я попытался сделать то же самое и протестировал различные степени тонкой настройки. Я сделал упор на простоту модели. Таким образом, я попытался добиться оптимальной производительности от одной CNN ResNet50 до создания более сложных моделей с помощью ансамбля.
Семейство CNN ResNet стало обычным явлением после того, как они заняли первое место в конкурсе ILSVRC 2015. В архитектуре используются остаточные единицы, что позволяет избежать проблемы снижения точности. Обратной стороной ResNet50 является то, что, учитывая его глубину, я не смог бы обучить модель с нуля. Это нормально, потому что я все равно намеревался использовать предварительно натренированные веса для некоторых слоев.
Модельное обучение
Я разделил помеченный набор данных на когорту обучения / проверки с 80% данных и зарезервировал 20% для тестирования модели. Я обучил несколько архитектур моделей и использовал общую точность набора данных тестирования в качестве метрики для сравнения моделей. Я использовал Keras v2.24 с серверной частью TensorFlow v1.5 для реализации модели. Я использовал увеличение данных со случайным масштабированием, вращением и горизонтальным переворотом во время обучения модели. Были протестированы следующие архитектуры.
Модель 4, которая имела два полностью связанных слоя по 512 единиц в каждом, показала наилучшие результаты с точностью 92,99%. Здесь, безусловно, есть возможности для улучшения, но я начал сталкиваться с ограничениями памяти на моем графическом процессоре с более глубокими сетями, поэтому на данный момент я остановился на этой производительности. Я был приятно удивлен тем, что достиг точности ~ 93% при относительно простой конфигурации сети.
Выявление пациентов с миелопатией
Итак, я протестировал модель на отдельных осевых срезах, взвешенных по Т2, и достиг 93% точности определения компрессии спинного мозга. Однако я еще не продемонстрировал, что модель будет полезна в реальных клинических условиях.
В реальном мире пациенты могут обратиться к своему лечащему врачу с широким спектром симптомов, которые могут указывать на шейную миелопатию. Этим пациентам часто делают МРТ шейного отдела позвоночника. Затем специалисты-радиологи интерпретируют снимки МРТ и выявляют аномальные снимки, что может оказаться трудоемким и длительным процессом.
Я хотел определить, сможет ли модель различать здоровых пациентов и пациентов с подтвержденным диагнозом DCM. Я использовал набор данных из 32 здоровых пациентов контрольной группы, которым выполняли МРТ шейного отдела позвоночника. Я также использовал 179 пациентов, включенных в исследования DCM-International и DCM-North American, у которых был подтвержденный диагноз шейной миелопатии. Модель не обучалась ни на одном из этих изображений. Таким образом, у меня было две группы пациентов, которых я попытался классифицировать с помощью модели:
- Healthy Control - 32 пациента
- Цервикальная миелопатия - 179 пациентов
Для каждого пациента я применил модель сверточной нейронной сети на каждом аксиальном срезе, взвешенном по T2. Модель выводит прогноз класса для каждого среза. Количество срезов на пациента варьировалось от 18 до 82 при среднем значении 43. Я использовал простой порог для создания прогноза на уровне пациента. Если модель идентифицировала ›1 срез как показывающий компрессию спинного мозга, пациента считали ненормальным.
Модель смогла различать пациентов в когорте здоровых людей и когорте больных с высокой чувствительностью (0,9665) и высокой специфичностью (0,8529).
Прогнозирование результатов хирургического вмешательства
Пациенты с дегенеративной шейной миелопатией часто лечатся хирургическим путем, особенно если у них есть умеренные или тяжелые симптомы. У большинства, но не у всех, симптомы улучшаются после операции. Другие пытались разработать модели клинического прогнозирования для прогнозирования исхода после операции по поводу ДКМП. В этой статье использовалась модель логистической регрессии для прогнозирования клинического улучшения после операции на основе дооперационного возраста, продолжительности симптомов, тяжести заболевания, сопутствующих психических заболеваний, нарушения походки и статуса курения.
Я предположил, что смогу предсказать хирургический результат в когорте из 279 пациентов, объединив предоперационные клинические параметры с рентгенографическими характеристиками, автоматически созданными моделью.
Я использовал модифицированную шкалу Японской ортопедической ассоциации (mJOA) для оценки результатов хирургического вмешательства. MJOA обычно используется специалистами в данной области. Оценка mJOA 15–18 указывает на легкую миелопатию, 8–14 - на умеренную миелопатию, а 3–7 - на тяжелую миелопатию. Предыдущие исследования установили улучшение mJOA как минимум на 2 балла как «клинически значимое» улучшение. Я назвал пациентов, у которых показатель mJOA улучшился как минимум на 2 пункта через 6 месяцев после операции, как «клинически улучшившихся» после операции.
Клинические особенности
- Предоперационная оценка mJOA
- Продолжительность симптомов до операции
- Возраст
- Масса
- Высота
- Предоперационное нарушение походки
- Высота
- Продолжительность пребывания в больнице
- Феномен Лермитта
- Двустороннее сенсорное нарушение
- Знак Хоффмана
- Пол
- Атрофия руки
- Слабость моторики
- Спастичность
- Гиперрефлексия
- Статус курения
- Семейное положение
- Образование
- Продолжительность операции
Рентгенологические особенности
Для каждого пациента я применил модель сверточной нейронной сети на каждом аксиальном срезе, взвешенном по T2. Модель выводит вектор предсказаний классов для каждого пациента. Затем я сгенерировал ряд итоговых функций из вектора предсказаний классов.
- Процент шейного отдела спинного мозга с компрессией спинного мозга
- Среднее значение положительных вероятностей класса
- Стандартное отклонение положительных вероятностей класса
- Наклон положительных классовых вероятностей
- Эксцесс положительных классовых вероятностей
- Расположение максимально сжатого сегмента.
Я обучил модель случайного леса предсказывать хирургический результат через 6 месяцев. Я обучил две модели - одну только с клиническими характеристиками, а вторую - с клиническими характеристиками и автоматически сгенерированными рентгенографическими характеристиками. Я разделил данные на когорту 75% обучения / проверки и когорту 25% тестирования. Я настроил обе модели, используя стратегию поиска по сетке. Затем я обучил модели с использованием 10-кратной перекрестной проверки и сравнил производительность набора данных тестирования между моделями с площадью под кривой ROC.
Я оценил 23 характеристики, используемые в модели клинических и рентгенологических характеристик, на основе важности этих характеристик. Из 10 основных характеристик, используемых моделью, 5 были рентгенологическими.
Резюме
- Я использовал набор данных из 5635 помеченных изображений МРТ от 110 пациентов, чтобы обучить глубокую сверточную нейронную сеть обнаруживать сдавление шейного отдела спинного мозга. Я добился высокой точности (93%) в этой задаче классификации.
- Я протестировал модель на наборе данных МРТ 179 пациентов с шейной миелопатией и 32 здоровых пациентов контрольной группы. Модель идентифицировала пациентов с шейной миелопатией с высокой чувствительностью (97%) и специфичностью (85%).
- Я использовал модель для создания рентгенографических характеристик пациентов в наборе данных. Я включил эти рентгенографические особенности, чтобы улучшить модель клинического прогноза, чтобы предсказать улучшение состояния пациента через 6 месяцев после операции.
- Модель глубокого обучения может использоваться в условиях первичной медико-санитарной помощи для быстрой интерпретации МРТ шейного отдела позвоночника и пометки пациентов с аномальными МРТ для дальнейшего рассмотрения.
