Sci Rep:使用计算机断层扫描和深度神经网络自动检测Graves眼病中增大的眼外肌
2022-11-14
背景:Graves眼病(GO)是一种慢性自身免疫性疾病,影响球后组织和眼外肌,与自身免疫性甲状腺疾病有很强的病因学联系。据报道,在实际临床实践中,约40%–60%的GO患者出现眼外肌功能障碍,并对生活质量产生显著的负面影响。早期发现眼外肌异常眼眶成像可能是必要的成功管理甲状腺肌病。在实际的临床实践中,除非患者主诉复视,否则不太可能进行眼眶成像。此外,放射科医生可能并不总是能够解释这些发现,尤其是在医生短缺的地区。在发展中国家的一些地区,用于充分成像的设施可能比放射科医生更少。被称为神经网络的监督机器学习系统已被应用于医学研究。
许多关于深度学习(DL)系统使用CT图像的诊断和分类性能的研究已经开展。然而,据我们所知,还没有DL系统使用CT图像对GO患者的放大眼外肌(EEM)图像和正常受试者的正常眼外肌(NEM)图像进行分类的报道。
目的:本研究的目的是开发一个诊断软件系统,其中一个DL系统可以评估患者的脑电图与眼眶CT图像。
方法:应用深度神经网络对371例Graves眼病(GO)患者(199例GO患者和172例正常眼外肌患者)眼外肌进行了眼眶冠状CT检查,建立了眼外肌深度神经网络诊断系统。当患者中至少有一条直肌(右或左上、下、内侧或外侧)大于或等于4.0 mm时,被归类为EEM伴GO。我们用222幅患者的数据作为训练数据,74幅图像作为验证测试数据,75幅图像作为测试数据,对深度神经网络进行训练,以判断计算机断层扫描上眼外肌的厚度。然后,我们验证了网络的性能。
结果:我们使用了来自199名GO患者(56名男性和143名女性)(平均年龄55.9±13.7岁)的EEM图像和来自172名对照组(40名男性和132名女性;平均年龄为52.6±18.4岁)。我们发现两组在年龄(p = 0.21)或性别(p = 0.85)上没有显著差异(表1)。表2显示了两组中的右和左上、下、内侧和外侧直肌。所有右侧或左侧直肌厚度在两组之间有显著差异(p < 0.001)。在测试数据中,神经网络诊断的曲线下面积(AUC)为0.946(95%置信区间[CI]0.894–0.998),受试者操作特征(ROC)分析显示了92.5%(95% CI 0.796–0.984)的敏感性和88.6%(95% CI 0.733–0.968)的特异性(图1)。对于测试数据,需要276.2秒来分析75个患者的CT扫描(3.6秒/患者)。
表1 眼外肌肥大(EEM)和正常眼外肌(NEM)最大直径的差异。除非另有说明,EEM和NEM数据表示为平均值±标准差。EEM扩大眼外肌,IRM下直肌,LRM外直肌,MRM内直肌,NEM正常眼外肌,SRM上直肌
图1 (a)验证数据的受试者工作特性(ROC)曲线。神经网络诊断的曲线下面积(AUC)为0.953,ROC分析显示89.7%的敏感性和94.3%的特异性。(b)测试数据的ROC曲线。神经网络诊断的AUC为0.946,ROC分析显示92.5%的敏感性和88.6%的特异性。
图2 健康参与者的计算机断层摄影(CT)切片图像(a)和热图(b)。格雷夫斯眼病患者的CT切片图像(c)和热图(d)。蓝色表示深度神经网络注意力的强度。在眼眶冠状CT图像上,直肌区域的颜色强度较高。深度神经网络将Graves眼病患者的眼外肌分类为增大,而将对照组的眼外肌分类为正常,重点是直肌。
图3 在与眼眶轴成90°的近轴平面中的冠状扫描由轴向扫描重建(a)。在冠状扫描中,从眼球后缘到眶尖连续六层切片(2mm厚)被使用(b)。
图4 冠状切片(a)和结果(b)用于眼球的分割。冠状切片(c)和结果(d)用于眼眶分割。当Residual Network-50从(b)和(d)中识别球后区域时使用的冠状切片(e)和感兴趣区域(蓝色正方形内的区域)(f)。
结论:采用深度神经网络的深度学习系统可以检测GO患者的EEM。