论文部分内容阅读
第一部分：新生儿急性胆红素脑病的临床磁共振影像诊断研究
目的：目前临床上对新生儿急性胆红素脑病(acute bilirubin encephalopathy, ABE)的影像诊断是基于T1加权磁共振图像上某些特定脑区的信号增强特征。这些特定脑区的T1高信号很大程度上与新生儿神经正常髓鞘化发育所表现的在T1加权磁共振图像上的信号特征类似，而且部位也相同，给影像科医师诊断新生儿ABE造成了很大的干扰。本部分研究重点评估传统的临床影像诊断方法诊断新生儿ABE的局限性，并对比研究不同年资的影像医师之间以及同一医师前后两次主观判断和评估ABE与正常髓鞘化的一致性。
方法：在这项回顾性研究中，从临床常规行头颅磁共振的新生儿中纳入了临床上确诊患有ABE的新生儿32例和年龄相匹配的正常髓鞘化新生儿29例。在T1加权磁共振图像上分割出苍白球，并计算其相对平均信号值。由两名不同年资的影像医师分别独立、多次评估这61例新生儿的磁共振图像上苍白球的信号特点。运用一致性检验方法分析不同年资的影像医师之间，以及同一年资的影像医师在不同的时间前后两次对新生儿ABE和正常髓鞘化的磁共振图像的表现在主观判断上的一致性。
结果：ABE组苍白球的相对平均信号强度水平(2.43±0.30)显著高于对照组(1.92±0.27)(P<0.0001)。分布直方图显示两组的相对平均信号强度分布显著重叠，重叠区域的相对平均信号值主要集中在2.0-2.4之间(17/32 vs. 10/29)。在预测ABE的准确性上，高年资医师在获取了苍白球的相对信号强度后达到最高(80.3%)，同一年资医师前后两次以及不同年资医师之间的最高一致性均评价为中等(kappa值分别为0.482和0.460)。而对于评估苍白球的信号强度上，同一年资医师前后两次和不同年资医师之间最高的一致性评价分别为中等(ICC=0.45(95%CI:-0.04-0.71))和好(ICC=0.66(95%CI:0.49-0.78))，对于均匀度而言是差(ICC=0.39(95%CI:0.13-0.59))和好(ICC=0.66(95%CI:0.49-0.78))。
结论：ABE和正常髓鞘化引起的T1加权磁共振图像上苍白球的信号变化存在明显的重叠，传统的基于主观判断苍白球的信号改变来诊断ABE的方式有明显的局限性。不同年资的医师之间、同一医师前后两次对ABE和正常髓鞘化的主观判断呈现明确的不一致性，提高诊断ABE的准确性需要更多客观的指标和可量化的特征。
第二部分：建立辅助区分急性胆红素脑病和正常髓鞘化的机器学习预测模型的研究
目的：探究通过利用影像组学特征对新生儿ABE导致的磁共振图像信号改变进行表征和定性,然后运用机器学习方法结合多种影像组学特征建立预测模型来更好地区分新生儿ABE和神经的正常髓鞘化的可行性。
方法：在这项回顾性研究中，从所有纳入的新生儿的T1加权自旋回波磁共振图像上手动分割感兴趣区，并在感兴趣区上自动提取多种影像组学特征。然后对于这些提取的影像组学特征有序地运用了3种特征筛选的方法排除不相关、冗杂的特征，包括双样本独立T检验，最小绝对值收敛和选择算子回归算法(Lasso回归算法)以及Pearson’s相关性分析矩阵，最终筛选出那些相互相对独立的、有区分度的特征。基于挑选的这些有区分度的特征，运用多种机器学习算法来建立区分ABE和正常髓鞘化的预测模型。本文采用留一交叉检验法(Leave-one-out cross-validation)来随机将样本分为训练集和测试集，并采用接收者操作特征曲线分析(receiver operating characteristic curve, ROC curve)来评估预测模型对于区分ABE和正常髓鞘化的表现，评价指标包括ROC曲线下面积(area under the curve, AUC)和准确性(accuracy)。最后运用Fisher评分来对所有挑选的对区分ABE和新生儿正常髓鞘化有贡献性的特征，根据其贡献性大小进行特征排名。
结果：在所有提取的1319个特征中，13个特征对区分新生儿ABE和正常髓鞘化有显著的贡献性，包括12个纹理特征和1个影像医师定义的特征，即苍白球的相对平均信号强度。运用ROC曲线的曲线下面积(the area under curve, AUC)来评估基于不同机器学习算法的预测模型的表现，发现基于决策树(decision trees)算法的预测模型有最高的AUC，达到了0.946，紧接的是支持向量机(support vector machine, SVM)算法，tree-bagger算法，logistic回归算法，贝叶斯(Na?ve Bayes)算法，判别分析(discriminant analysis)算法以及k最近邻(k-nearest neighbors, KNN)算法，AUC分别是0.931，0.925，0.905，0.891，0.883，0.817。
结论：基于影像组学特征构建机器学习分类预测模型用来更好地区分新生儿ABE和正常的髓鞘化是可行的，所提取的这些影像组学特征往往是传统临床上基于主观视觉评估方法很难发现，描述或定量的特征。该方法提供了一种新的更加定量、更加客观的方式可以对胆红素沉积在大脑引起的磁共振图像信号强度改变和形态学改变进行定性和定量，因此有望能提高诊断的准确性，并更好地支持临床决策。
第三部分：基于ADC图纹理特征的机器学习模型辅助诊断急性胆红素脑病
目的：本部分研究拟用纹理特征分析方法来提取反映ABE和正常髓鞘化的苍白球在ADC(apparent diffusion coefficient, ADC)图上的异质性的特征，评估基于这些纹理特征建立的机器学习预测模型是否有助于区分ABE和正常髓鞘化。
方法：在第一部分纳入的61例病例中，挑选出51例有ADC图的新生儿，包括25例ABE新生儿，26例正常髓鞘化新生儿。将T1加权磁共振图像上的苍白球分割出来，然后叠加注册到一一对应的ADC图上，分割出ADC图上的苍白球。从分割出来的ADC图上的苍白球提取出纹理特征，提取出的特征共分为4大类共40个特征，包括基于灰度共生矩阵、灰度游程矩阵、局部灰度差分矩阵和灰度区域大小矩阵的特征。对这40个特征在ABE组和对照组之间进行独立样本T检验，筛选出有统计学差异的特征。或者直接用Lasso回归算法进行特征筛选，去除不相关、冗杂的特征。分别基于T检验和Lasso回归算法筛选出来的特征运用多种机器学习算法创建预测模型来区分ABE和正常髓鞘化。本文采用5-fold交叉检验来随机将样本分为训练集和测试集，并采用ROC曲线来评估预测模型对于区分ABE和正常髓鞘化的表现，评价指标包括ROC曲线下面积(AUC)和准确性(accuracy)。最后运用Fisher评分来对所有挑选的对区分ABE和新生儿正常髓鞘化有贡献的特征，并根据其贡献性大小进行特征排名。
结果：独立T检验筛选出有4个特征在两组之间有显著的差异(P＜0.05)，即能量、灰度水平不一致性、熵、和粗糙度。基于这4个特征，SVM算法对
区分正常髓鞘化和ABE的表现最好(AUC=0.65)。而运用Lasso回归算法也挑选出4个特征，分别为熵、区域范围大小不一致性、大区域范围低灰度水平强调和粗糙度。对于ROC曲线下面积(AUC)而言，SVM算法模型、Logistic回归算法模型和判别分析算法模型对区分正常髓鞘化和ABE的表现最好，AUC均为0.67。
结论：目前的初步结果显示基于苍白球ADC值分布的纹理特征对于区分ABE和正常髓鞘化的贡献性有限，尚需要大样本进一步研究证实。
目的：目前临床上对新生儿急性胆红素脑病(acute bilirubin encephalopathy, ABE)的影像诊断是基于T1加权磁共振图像上某些特定脑区的信号增强特征。这些特定脑区的T1高信号很大程度上与新生儿神经正常髓鞘化发育所表现的在T1加权磁共振图像上的信号特征类似，而且部位也相同，给影像科医师诊断新生儿ABE造成了很大的干扰。本部分研究重点评估传统的临床影像诊断方法诊断新生儿ABE的局限性，并对比研究不同年资的影像医师之间以及同一医师前后两次主观判断和评估ABE与正常髓鞘化的一致性。
方法：在这项回顾性研究中，从临床常规行头颅磁共振的新生儿中纳入了临床上确诊患有ABE的新生儿32例和年龄相匹配的正常髓鞘化新生儿29例。在T1加权磁共振图像上分割出苍白球，并计算其相对平均信号值。由两名不同年资的影像医师分别独立、多次评估这61例新生儿的磁共振图像上苍白球的信号特点。运用一致性检验方法分析不同年资的影像医师之间，以及同一年资的影像医师在不同的时间前后两次对新生儿ABE和正常髓鞘化的磁共振图像的表现在主观判断上的一致性。
结果：ABE组苍白球的相对平均信号强度水平(2.43±0.30)显著高于对照组(1.92±0.27)(P<0.0001)。分布直方图显示两组的相对平均信号强度分布显著重叠，重叠区域的相对平均信号值主要集中在2.0-2.4之间(17/32 vs. 10/29)。在预测ABE的准确性上，高年资医师在获取了苍白球的相对信号强度后达到最高(80.3%)，同一年资医师前后两次以及不同年资医师之间的最高一致性均评价为中等(kappa值分别为0.482和0.460)。而对于评估苍白球的信号强度上，同一年资医师前后两次和不同年资医师之间最高的一致性评价分别为中等(ICC=0.45(95%CI:-0.04-0.71))和好(ICC=0.66(95%CI:0.49-0.78))，对于均匀度而言是差(ICC=0.39(95%CI:0.13-0.59))和好(ICC=0.66(95%CI:0.49-0.78))。
结论：ABE和正常髓鞘化引起的T1加权磁共振图像上苍白球的信号变化存在明显的重叠，传统的基于主观判断苍白球的信号改变来诊断ABE的方式有明显的局限性。不同年资的医师之间、同一医师前后两次对ABE和正常髓鞘化的主观判断呈现明确的不一致性，提高诊断ABE的准确性需要更多客观的指标和可量化的特征。
第二部分：建立辅助区分急性胆红素脑病和正常髓鞘化的机器学习预测模型的研究
目的：探究通过利用影像组学特征对新生儿ABE导致的磁共振图像信号改变进行表征和定性,然后运用机器学习方法结合多种影像组学特征建立预测模型来更好地区分新生儿ABE和神经的正常髓鞘化的可行性。
方法：在这项回顾性研究中，从所有纳入的新生儿的T1加权自旋回波磁共振图像上手动分割感兴趣区，并在感兴趣区上自动提取多种影像组学特征。然后对于这些提取的影像组学特征有序地运用了3种特征筛选的方法排除不相关、冗杂的特征，包括双样本独立T检验，最小绝对值收敛和选择算子回归算法(Lasso回归算法)以及Pearson’s相关性分析矩阵，最终筛选出那些相互相对独立的、有区分度的特征。基于挑选的这些有区分度的特征，运用多种机器学习算法来建立区分ABE和正常髓鞘化的预测模型。本文采用留一交叉检验法(Leave-one-out cross-validation)来随机将样本分为训练集和测试集，并采用接收者操作特征曲线分析(receiver operating characteristic curve, ROC curve)来评估预测模型对于区分ABE和正常髓鞘化的表现，评价指标包括ROC曲线下面积(area under the curve, AUC)和准确性(accuracy)。最后运用Fisher评分来对所有挑选的对区分ABE和新生儿正常髓鞘化有贡献性的特征，根据其贡献性大小进行特征排名。
结果：在所有提取的1319个特征中，13个特征对区分新生儿ABE和正常髓鞘化有显著的贡献性，包括12个纹理特征和1个影像医师定义的特征，即苍白球的相对平均信号强度。运用ROC曲线的曲线下面积(the area under curve, AUC)来评估基于不同机器学习算法的预测模型的表现，发现基于决策树(decision trees)算法的预测模型有最高的AUC，达到了0.946，紧接的是支持向量机(support vector machine, SVM)算法，tree-bagger算法，logistic回归算法，贝叶斯(Na?ve Bayes)算法，判别分析(discriminant analysis)算法以及k最近邻(k-nearest neighbors, KNN)算法，AUC分别是0.931，0.925，0.905，0.891，0.883，0.817。
结论：基于影像组学特征构建机器学习分类预测模型用来更好地区分新生儿ABE和正常的髓鞘化是可行的，所提取的这些影像组学特征往往是传统临床上基于主观视觉评估方法很难发现，描述或定量的特征。该方法提供了一种新的更加定量、更加客观的方式可以对胆红素沉积在大脑引起的磁共振图像信号强度改变和形态学改变进行定性和定量，因此有望能提高诊断的准确性，并更好地支持临床决策。
第三部分：基于ADC图纹理特征的机器学习模型辅助诊断急性胆红素脑病
目的：本部分研究拟用纹理特征分析方法来提取反映ABE和正常髓鞘化的苍白球在ADC(apparent diffusion coefficient, ADC)图上的异质性的特征，评估基于这些纹理特征建立的机器学习预测模型是否有助于区分ABE和正常髓鞘化。
方法：在第一部分纳入的61例病例中，挑选出51例有ADC图的新生儿，包括25例ABE新生儿，26例正常髓鞘化新生儿。将T1加权磁共振图像上的苍白球分割出来，然后叠加注册到一一对应的ADC图上，分割出ADC图上的苍白球。从分割出来的ADC图上的苍白球提取出纹理特征，提取出的特征共分为4大类共40个特征，包括基于灰度共生矩阵、灰度游程矩阵、局部灰度差分矩阵和灰度区域大小矩阵的特征。对这40个特征在ABE组和对照组之间进行独立样本T检验，筛选出有统计学差异的特征。或者直接用Lasso回归算法进行特征筛选，去除不相关、冗杂的特征。分别基于T检验和Lasso回归算法筛选出来的特征运用多种机器学习算法创建预测模型来区分ABE和正常髓鞘化。本文采用5-fold交叉检验来随机将样本分为训练集和测试集，并采用ROC曲线来评估预测模型对于区分ABE和正常髓鞘化的表现，评价指标包括ROC曲线下面积(AUC)和准确性(accuracy)。最后运用Fisher评分来对所有挑选的对区分ABE和新生儿正常髓鞘化有贡献的特征，并根据其贡献性大小进行特征排名。
结果：独立T检验筛选出有4个特征在两组之间有显著的差异(P＜0.05)，即能量、灰度水平不一致性、熵、和粗糙度。基于这4个特征，SVM算法对
区分正常髓鞘化和ABE的表现最好(AUC=0.65)。而运用Lasso回归算法也挑选出4个特征，分别为熵、区域范围大小不一致性、大区域范围低灰度水平强调和粗糙度。对于ROC曲线下面积(AUC)而言，SVM算法模型、Logistic回归算法模型和判别分析算法模型对区分正常髓鞘化和ABE的表现最好，AUC均为0.67。
结论：目前的初步结果显示基于苍白球ADC值分布的纹理特征对于区分ABE和正常髓鞘化的贡献性有限，尚需要大样本进一步研究证实。