卷积神经网络在辅助肝细粒棘球蚴病超声分型诊断的应用

doi:10.12140/j.issn.1000-7423.2024.04.005

中国寄生虫学与寄生虫病杂志 ›› 2024, Vol. 42 ›› Issue (4): 454-460.doi: 10.12140/j.issn.1000-7423.2024.04.005

卷积神经网络在辅助肝细粒棘球蚴病超声分型诊断的应用

任艳¹(), 宋涛¹, 尚丰¹, 吴淼², 王正业³, 王晓荣¹^,^*()

1 新疆医科大学第一附属医院腹部超声诊断科, 省部共建中亚高发病成因与防治国家重点实验室，新疆乌鲁木齐 830000
2 新疆医科大学医学工程技术学院，新疆乌鲁木齐 830000
3 新疆生产建设兵团疾病预防控制中心，新疆乌鲁木齐 830000

收稿日期:2024-02-24 修回日期:2024-05-24 出版日期:2024-08-30 发布日期:2024-08-16
通讯作者: *王晓荣（1978—），女，博士，副教授，从事肝棘球蚴病的研究。E-mail：doctorwxr@163.com
作者简介:任艳（1994—），女，硕士研究生，从事肝棘球蚴病的研究。E-mail：715817652@qq.com
基金资助:
省部共建中亚高发病成因与防治国家重点实验室开放课题(SKL-HIDCA-2020-YG2)

Application of convolutional neural networks in ultrasound classification of hepatic cystic echinococcosis

REN Yan¹(), SONG Tao¹, SHANG Feng¹, WU Miao², WANG Zhengye³, WANG Xiaorong¹^,^*()

1 Abdominal Ultrasonography Department, The First Affiliated Hospital of Xinjiang Medical University, State Key Laboratory of Pathogenesis Prevention and Treatment of High Incidence Diseases in Central Asia, Urumqi 830000, Xinjiang, China
2 College of Medical Engineering Technology of Xinjiang Medical University, Urumqi 830000, Xinjiang, China
3 Center for Disease Control and Prevention of Xinjiang Production and Construction Corps, Urumqi 830000, Xinjiang, China

Received:2024-02-24 Revised:2024-05-24 Online:2024-08-30 Published:2024-08-16
Contact: *E-mail: doctorwxr@163.com
Supported by:
Open Project of the State Key Laboratory of Pathogenesis, Prevention and Treatment of High Incidence Diseases in Central Asia(SKL-HIDCA-2020-YG2)

摘要/Abstract

摘要：

目的探讨卷积神经网络（VGG19）模型在辅助肝细粒棘球蚴病（HCE）超声分型诊断的应用价值。方法回顾性收集2012年1月至2022年12月在新疆医科大学第一附属医院就诊的肝细粒棘球蚴病（HCE，含CE1~CE5分型）患者及非棘球蚴病性肝局灶性病变（NHFLL）患者的超声图像，使用VGG19模型对超声图像进行6个类型肝局灶性占位病变（CE1~CE5、NHFLL）的诊断判定，比较各类型的判定百分比。当VGG19误判HCE与NHFLL时，比较患者的一般人口学信息和相关临床资料。将超声图片按照各分型占比基本一致的原则随机均分为两组，2名低年资超声医师和2名高年资超声医师各随机选择1组进行人工分类汇总，对比低、高年资超声医师与模型诊断正确率。采用混淆矩阵、精确率、召回率、特异度和F1分数评估VGG19的诊断性能。用构成比对计数资料进行描述性分析，使用卡方检验、Fisher确切概率法、配对卡方检验进行差异比较分析。结果 871例HCE中包括203例CE1、227例CE2、110例CE3、159例CE4、172例CE5；600例NHFLL中包括300例肝囊肿、150例肝钙化灶、150例肝实性占位病变（100例肝血管瘤、25例肝癌、25例肝脓肿）。VGG19模型整体精准率为82.0%，召回率为87.9%，F1分数为84.3%。VGG19模型整体正确率为86.2%（1 268/1 471），各类型正确率由高到低依次为CE5（95.3%，164/172）、CE4（91.2%，145/159）、CE3（89.1%，98/110）、CE1（84.7%，172/203）、CE2（84.6%，192/227）、NHFLL（82.8%，497/600）。共有203例误诊，误诊率为13.8%（203/1 471），其中100例为HCE分型间的误诊，包括31例CE1、35例CE2、12例CE3、15例CE4、8例CE5；103例为NHFLL被误诊为HCE，包括68例肝囊肿、17例肝钙化灶、17例肝血管瘤、1例肝脓肿，无肝癌病例被误诊。VGG19误诊的HCE患者和NHFLL患者的年龄、住址类别、有无犬类接触史、文化程度、省份差异有统计学意义（χ² = 55.116、24.197、35.834、14.069、11.918，均P < 0.05），性别差异无统计学意义（χ² = 0.047，P > 0.05）。VGG19模型诊断整体正确率（86.2%，1 268/1 471）高于低年资医师（81.2%，1 195/1 471）（P < 0.05），低于高年资医师（92.3%，1 358/1 471）（P < 0.05）。结论 VGG19模型能够较好地识别HCE的5种分型及NHFLL，其诊断正确率低于高年资超声医师，但高于低年资超声医师，有望推广到基层医院，联合临床信息后可辅助修正超声诊断。

关键词: 肝细粒棘球蚴病, 超声, 卷积神经网络, 肝脏局灶性病变

Abstract:

Objective To evaluate the application value of convolutional neural network (VGG19) model in the ultrasound diagnosis of hepatic cystic echinococcosis (HCE). Methods The ultrasound images of patients with hepatic cystic echinococcosis (HCE, including CE1-CE5 types) and patients with non-echinococcosis focal liver lesions (NHFLL) in the First Affiliated Hospital of Xinjiang Medical University from January 2012 to December 2022 were retrospectively collected. The VGG19 model was used to determine the image diagnosis of 6 types of hepatic focal space occupying lesions (CE1-CE5, NHFLL), and the percentage of each type determined was compared. When VGG19 misclassified HCE and NHFLL, the general demographic information and relevant clinical data of patients were compared. The ultrasound images were randomly divided into two groups based on the principle of essentially consistent proportion of different types, of which manual classification summary were performed by 2 junior ultrasound physicians and 2 senior ultrasound physicians on one group each selected randomly. The diagnostic accuracy of the model made by junior and senior ultrasound physicians were compared. The diagnostic performance of VGG19 was evaluated using confusion matrix, precision, recall, specificity, and F1 score. Descriptive analysis was conducted using contingency tables to describe the count data, and chi-square test， Fisher’s exact probability method and paired card square test were used for comparative analysis of differences. Results Among the 871 HCE cases, there were 203 cases of CE1, 227 of CE2, 110 of CE3, 159 of CE4, and 172 of CE5. The 600 NHFLL cases include, 300 cases of hepatic cysts, 150 of hepatic calcified lesions, and 150 solid hepatic occupying lesions (100 cases of hepatic hemangioma, 25 of hepatoma, and 25 of liver abscess). The overall accuracy of the VGG19 model was 82.0%, the recall rate was 87.9%, and the F1 score was 84.3%. The overall accuracy rate of VGG19 model was 86.2% (1 268/1 471), and the accuracy rates of each type from high to low were CE5 (95.3%, 164/172), CE4 (91.2%, 145/159), CE3 (89.1%, 98/110), CE1 (84.7%, 135/159), CE2 (84.6%, 192/227) and NHFLL (82.8%, 497/600), respectively. A total of 203 cases were misdiagnosed, and the misdiagnosis rate was 13.8% (203/1 471). Among them, 100 cases were misdiagnosed between HCE types, including 31 cases of CE1, 35 cases of CE2, 12 cases of CE3, 15 cases of CE4, and 8 cases of CE5. 103 cases of NHFLL were misdiagnosed as HCE, including 68 cases of hepatic cyst, 17 cases of liver calcification, 17 cases of liver hemangioma, and 1 case of liver abscess. No case of liver cancer was misdiagnosed. There were statistically significant differences in age, residential area, history of contact with dogs, education level and province between HCE patients and NHFLL patients misdiagnosed by VGG19 (χ² = 55.116, 24.197, 35.834, 14.069, 11.918, all P < 0.05), but there was no significant difference in gender (χ² = 0.047, P > 0.05). The overall diagnostic accuracy of VGG19 model (86.2%, 1 268/1 471) was higher than that by junior doctors (81.2%, 1 195/1 471) (P < 0.05), lower than that by senior physicians (92.3%, 1 358/1 471) (P < 0.05). Conclusion The VGG19 model can identify the 5 types of HCE and non echinococcal NHFLL, its diagnostic accuracy is lower than that by senior sonographers, but higher than that by junior sonographers. The model is expected to be promoted to primary hospitals to assist correction of ultrasound diagnosis in combination with clinical information.

Key words: Hepatic cystic echinococcosis, Ultrasound, Convolutional neural network, Focal liver lesions

中图分类号:

R532.32

任艳, 宋涛, 尚丰, 吴淼, 王正业, 王晓荣. 卷积神经网络在辅助肝细粒棘球蚴病超声分型诊断的应用[J]. 中国寄生虫学与寄生虫病杂志, 2024, 42(4): 454-460.

REN Yan, SONG Tao, SHANG Feng, WU Miao, WANG Zhengye, WANG Xiaorong. Application of convolutional neural networks in ultrasound classification of hepatic cystic echinococcosis[J]. Chinese Journal of Parasitology and Parasitic Diseases, 2024, 42(4): 454-460.

图/表 8

表1

图1

图2

表2

图3

图4

表3

表4

参考文献 22

[1]	Keong B, Wilkie B, Sutherland T, et al. Hepatic cystic echinococcosis in Australia: an update on diagnosis and management[J]. ANZ J Surg, 2018, 88(1/2): 26-31.
[2]	Brunetti E, Kern P, Vuitton DA. Expert consensus for the diagnosis and treatment of cystic and alveolar echinococcosis in humans[J]. Acta Trop, 2010, 114(1): 1-16.
[3]	Deplazes P, Rinaldi L, Alvarez Rojas CA, et al. Global distribution of alveolar and cystic echinococcosis[J]. Adv Parasitol, 2017, 95: 315-493.
[4]	WHO Informal Working Group, 2003. International classification of ultrasound images in cystic echinococcosis for application in clinical and field epidemiological settings[J]. Acta Trop, 2003, 85(2): 253-261.
[5]	Kern P, Menezes da Silva A, Akhan O, et al. The echinococcoses: diagnosis, clinical management and burden of disease[J]. Adv Parasitol, 2017, 96: 259-369.
[6]	Brunetti E, Tamarozzi F, MacPherson C, et al. Ultrasound and cystic echinococcosis[J]. Ultrasound Int Open, 2018, 4(3): E70-E78.
[7]	Hou J, Wen H, Wang MK, et al. Analysis of the influencing factors of lesion activity in hepatic cystic echinococcosis patients[J]. Chin J Parasitol Parasit Dis, 2022, 40(3): 309-315. (in Chinese)
	(侯娇, 温浩, 王明坤, 等. 肝细粒棘球蚴病手术患者病灶活性状态的影响因素分析[J]. 中国寄生虫学与寄生虫病杂志, 2022, 40(3): 309-315.)
[8]	Ferrer Inaebnit E, Molina Romero FX, Segura Sampedro JJ, et al. A review of the diagnosis and management of liver hydatid cyst[J]. Rev Esp Enferm Dig, 2022, 114(1): 35-41.
[9]	Wen H, Vuitton L, Tuxun T, et al. Echinococcosis: advances in the 21st century[J]. Clin Microbiol Rev, 2019, 32(2): e00075-e00018.
[10]	Zhou LQ, Wang JY, Yu SY, et al. Artificial intelligence in medical imaging of the liver[J]. World J Gastroenterol, 2019, 25(6): 672-682.
[11]	Ahmed I, Chehri A, Jeon G. Artificial intelligence and blockchain enabled smart healthcare system for monitoring and detection of COVID-19 in biomedical images[J]. IEEE/ACM Trans Comput Biol Bioinform, 2024, 21(4): 814-822.
[12]	Morley J, DeVito NJ, Zhang J. Generative AI for medical research[J]. BMJ, 2023, 382: 1551.
[13]	Wu M, Yan CB, Wang XR, et al. Automatic classification of hepatic cystic echinococcosis using ultrasound images and deep learning[J]. J Ultrasound Med, 2022, 41(1): 163-174.
[14]	Ali Alghofaily K, Bin Saeedan M, Aljohani IM, et al. Hepatic hydatid disease complications: review of imaging findings and clinical implications[J]. Abdom Radiol (NY), 2017, 42(1): 199-210.
[15]	Nan JGL, Li R, Wang HX, et al. Ultrasound image classification of hepatic echinococcosis using deep learning[J]. J Shenzhen Univ Sci Eng, 2019, 36(6): 702-708. (in Chinese)
	(南嘉格列, 李锐, 王海霞, 等. 基于深度学习的肝包虫病超声图像分型研究[J]. 深圳大学学报(理工版), 2019, 36(6): 702-708.)
[16]	Ma GX, Yang LF, Yan CB, et al. Ultrasonic image diagnosis of hepatic echinococcosis based on deep Dense Netnetwork[J]. Comput Mod, 2023(9): 100-104. (in Chinese)
	(马国祥, 杨凌菲, 严传波, 等. 基于深度DenseNet网络的肝包虫病超声影像诊断方法[J]. 计算机与现代化, 2023(9): 100-104.)
[17]	Yang YF, Cairang YD, Jiang TA, et al. Ultrasound identification of hepatic echinococcosis using a deep convolutional neural network model in China: a retrospective, large-scale, multicentre, diagnostic accuracy study[J]. Lancet Digit Health, 2023, 5(8): e503-e514.
[18]	Bai JH, Zhang YH, Han XM, et al. Imaging analysis of 79 cases of hepatic echinococcosis[J]. Chin J Schisto Control, 2018, 30(6): 674-677. (in Chinese)
	(白峻虎, 张永海, 韩秀敏, 等. 79例肝棘球蚴病患者影像学分析[J]. 中国血吸虫病防治杂志, 2018, 30(6): 674-677.)
[19]	Surgical Committee for Hydatidosis of the Surgical Branch of the Chinese Medical Association. Expert consensus on diagnosis and treatment of hepatic cystic and alveolar echinococcosis (2019 edition)[J]. Chin J Dig Surg, 2019, 18(8): 711-721. (in Chinese)
	(中国医师协会外科医师分会包虫病外科专业委员会. 肝两型包虫病诊断与治疗专家共识(2019版)[J]. 中华消化外科杂志, 2019, 18(8): 711-721.)
[20]	Liu YY, Zhang TT, Ma X, et al. Awareness and influencing factors of knowledge on echinococcosis prevention and control among adults in Qinghai Province[J]. Chin J Parasitol Parasit Dis, 2022, 40(6): 723-729, 736. (in Chinese)
	(刘玉英, 张甜甜, 马霄, 等. 青海省成年人棘球蚴病防治知识知晓情况及影响因素分析[J]. 中国寄生虫学与寄生虫病杂志, 2022, 40(6): 723-729, 736.)
[21]	Li BF, Yang J, Yang JY, et al. Epidemiological investigation and case retrospective analysis of echinococcosis in Dali Prefecture, Yunnan Province[J]. Chin J Parasitol Parasit Dis, 2023, 41(5): 573-578. (in Chinese)
	(李奔福, 杨敬, 杨金玉, 等. 云南省大理州棘球蚴病流行病学调查和病例回顾性分析[J]. 中国寄生虫学与寄生虫病杂志, 2023, 41(5): 573-578.)
[22]	Faraj W, Abi Faraj C, Kanso M, et al. Hydatid disease of the liver in the middle east: a single center experience[J]. Surg Infect (Larchmt), 2022, 23(1): 29-34.

模型诊断 Model diagnosis	实际病种 Actual disease type
模型诊断 Model diagnosis	阳性 Positive	阴性 Negative
阳性 Positive	真阳性 True positive	假阳性 False positive
阴性 Negative	假阴性 False negative	真阴性 True negative

类型 Type	CE1	CE2	CE3	CE4	CE5	NHFLL
精确率/% Precision/%	77.8	88.5	68.5	78.0	79.2	100
召回率/% Recall/%	84.7	84.6	89.1	91.2	95.3	82.8
特异度/% Specificity/%	96.1	98.2	96.7	93.1	98.8	100
F1分数/% F1 score/%	81.1	86.5	77.5	84.1	85.6	90.6

特征 Feature	病例数（占比/%) No. case (Percentage/%)		χ²值 χ² value	P值 P value
特征 Feature	HCE （n = 100）	NHFLL （n = 103）	χ²值 χ² value	P值 P value
年龄/岁 Age/Year			55.116	< 0.05^a
0~29	26（26.0）	0（0.0）
30~59	64（64.0）	59（57.3）
≥ 60	10（10.0）	44（42.7）
性别 Gender			0.047	> 0.05
男 Male	52（52.0）	52（50.5）
女 Female	48（48.0）	51（49.5）
住址类别 Address type			24.197	< 0.05
城市 City	44（44.0）	80（77.7）
农村 Countryside	56（56.0）	23（22.3）
犬类接触史 Dog contact history			35.834	< 0.05
有 Yes	65（65.0）	24（23.3）
无 No	35（35.0）	79（76.7）
文化程度 Degree of education			14.069	< 0.05
文盲 Illiteracy	8（8.0）	2（1.9）
小学 Primary school	43（43.0）	26（25.3）
中学 Middle school	36（36.0）	49（47.6）
大学 University	13（13.0）	26（25.2）
省份 Province			11.918	< 0.05^a
新疆 Xinjiang	89（89.0）	103（100）
西藏 Xizang	6（6.0）	0（0）
其他 Other	5（5.0）	0（0）

类别（n） Category (n)	病例数（占比/%) No. case (Percentage/%)				P	病例数（占比/%) No. case (Percentage/%)		P
类别（n） Category (n)	VGG19模型 VGG model		低年资医师 Junior physician		P	高年资医师 Senior physician		P
	正确 True	错误 Wrong	正确 True	错误 Wrong		正确 True	错误 Wrong
CE1（203）	172（84.7）	31（15.3）	191（94.1）	12（5.9）	< 0.05	193（95.1）	10（4.9）	< 0.05
CE2（227）	192（84.6）	35（15.4）	178（78.4）	49（21.6）	< 0.05	208（91.6）	19（8.4）	< 0.05
CE3（110）	98（89.1）	12（10.9）	83（75.5）	27（24.5）	< 0.05	106（96.4）	4（3.6）	< 0.05
CE4（159）	145（91.2）	14（8.8）	130（81.8）	29（18.2）	< 0.05	154（96.9）	5（3.1）	< 0.05
CE5（172）	164（95.3）	8（4.7）	147（85.5）	25（14.5）	< 0.05	166（96.5）	6（3.5）	> 0.05
NHFLL（600）	497（82.8）	103（17.2）	466（77.7）	134（22.3）	< 0.05	531（88.5）	69（11.5）	< 0.05
合计（1 471）	1 268（86.2）	203（13.8）	1 195（81.2）	276（18.8）	< 0.05	1 358（92.3）	113（7.7）	< 0.05

卷积神经网络在辅助肝细粒棘球蚴病超声分型诊断的应用

Application of convolutional neural networks in ultrasound classification of hepatic cystic echinococcosis

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 22

相关文章 15

编辑推荐

Metrics

本文评价

[1]	孙莉, 卢恩昌, 程猛, 艾艳红. 1例潜伏感染25年肝细粒棘球蚴病报告[J]. 中国寄生虫学与寄生虫病杂志, 2024, 42(6): 817-819.
[2]	汪占金, 陈志恒, 李富源, 蔡俊杰, 薛张佗, 周瀛, 曹云太, 王展. 基于影像组学及临床特征的机器学习模型鉴别肝细粒棘球蚴病病灶活性的研究[J]. 中国寄生虫学与寄生虫病杂志, 2024, 42(5): 582-593.
[3]	娆琬·托勒洪, 阿不都撒拉木·阿不力克木, 杨凌菲, 陈璐, 李钊, 贾芳, 宋涛. 超声表现诊断肝多房棘球蚴病的效果评价及因素分析[J]. 中国寄生虫学与寄生虫病杂志, 2023, 41(3): 312-318.
[4]	吴亮亮, 杨凌菲, 宋涛. 不同方式建立肝多房棘球蚴感染SD大鼠模型病灶的超声及病理表现[J]. 中国寄生虫学与寄生虫病杂志, 2022, 40(4): 549-552.
[5]	朱江, 黄海军, 张望, 梅虎, 朱时雨, 宋思凯, 张军. 合并囊内胆漏的肝细粒棘球蚴病患者手术方式的分析[J]. 中国寄生虫学与寄生虫病杂志, 2022, 40(1): 50-55.
[6]	马文梅, 桑伟, 艾麦提·牙森, 佐力克, 付莉, 苗娜. 核因子-κB/髓样分化分子88在细粒棘球蚴病患者肝纤维化中的作用[J]. 中国寄生虫学与寄生虫病杂志, 2021, 39(6): 779-783.
[7]	侯玉虎, 马淑梅, 樊海宁, 乔志忠, 杨海芳, 罗巧. 超声诊断的1 917例青海省肝棘球蚴病患者流行病学回顾性分析[J]. 中国寄生虫学与寄生虫病杂志, 2020, 38(4): 518-520.
[8]	高宇, 吴向未, 阿布都瓦依提, 刘桂生. 肝细粒棘球蚴包囊急性破裂入胆道21例临床分析[J]. 中国寄生虫学与寄生虫病杂志, 2020, 38(4): 524-527.
[9]	宋涛, 李海涛, 杨凌菲, 姚兰辉, 温浩. 大鼠肝泡球蚴病灶浸润增殖区微血管密度与超声造影的相关性研究[J]. 中国寄生虫学与寄生虫病杂志, 2014, 32(3): 7-200-204.
[10]	蔡辉1,2，陈露露3，叶彬1,2 *，赵海龙4，刘爱波1,2，张静1,2，赵毅峰5. 高吸水性树脂联合超声造影剂对HIFU杀伤棘球蚴原头节的增效作用[J]. 中国寄生虫学与寄生虫病杂志, 2013, 31(4): 18-324-326.
[11]	叶华, 王炜, 景涛, 韩俭, 包根书, 范临兰, 梁晓萍, 鲁俊. 复频高能聚焦超声治疗小鼠泡球蚴病的实验研究[J]. 中国寄生虫学与寄生虫病杂志, 2011, 29(5): 6-353-357.
[12]	刘婧;王炜;;景涛;;包根书;王欣. 复频高强度聚焦超声对离体细粒棘球蚴囊壁超微结构的影响[J]. 中国寄生虫学与寄生虫病杂志, 2009, 27(3): 3-205.
[13]	王俊安;邹晓毅;叶彬;张成武;赵发生. 高强度聚焦超声辐照后细粒棘球蚴囊壁的病理变化[J]. 中国寄生虫学与寄生虫病杂志, 2007, 25(6): 6-465.
[14]	陆冰冰;苏海庆. 华支睾吸虫感染的超声诊断分析[J]. 中国寄生虫学与寄生虫病杂志, 2007, 25(4): 17-349.
[15]	贾铁武;周晓农;王显红;吴晓华;易平;徐永安;何未龙;何伶勇. 问卷对慢性日本血吸虫病疾病筛检效度的研究[J]. 中国寄生虫学与寄生虫病杂志, 2006, 24(3): 18-235.