肺纤维化网络：一种定制设计用于从胸部CT图像预测肺纤维化进展的深度卷积神经网络

摘要：

肺纤维化是一种毁灭性的慢性肺部疾病，可造成不可修复的肺组织瘢痕和损伤，导致肺活量的逐渐丧失，目前还没有已知的治愈方法。肺纤维化治疗和管理中的一个关键步骤是评估肺功能下降，同时计算机断层扫描（CT）成像是确定肺纤维化引起的肺损伤程度的一种特别有效的方法。在此基础上，我们引入了肺纤维化网络，这是一种定制设计用于从胸部CT图像预测肺纤维化进展的深度卷积神经网络。更具体地说，我们利用机器驱动的设计探索来确定用于CT图像肺容量分析的强大架构设计，在此基础上，本文你构建了根据患者的CT图像扫描、初始肺活量测量数据和临床元数据来预测用力肺活量（FVC）的定制设计网络。最后，我们利用可解释性驱动的性能验证策略来研究肺纤维化网络（Fibrosis Net）的决策行为，以验证预测是否基于CT图像中的相关视觉指标。使用OSIC肺纤维化进展挑战基准数据集进行的实验表明，本文所提出的纤维化网络能够获得比挑战排行榜上的获胜解决方案显著更高的修正拉普拉斯对数似然得分。此外，可解释性驱动的性能验证表明，当通过CT图像中的临床相关视觉指标预测肺纤维化进展时，本文提出的肺纤维化网络呈现出正确的决策行为。作为OpenMedAI倡议的一部分，Fibrosis Net以开源和开放访问的方式向公众开放。虽然Fibrosis Net还不是一个准备就绪的临床评估解决方案，但我们希望发布该模型将鼓励研究人员、临床医生和公民数据科学家都可以利用和建立它。

关键词：（没有关键词）

第一章 引言

肺纤维化是一种严重的慢性肺部疾病，其肺部将出现永久性组织瘢痕和损伤。随着时间的推移，越来越多的健康肺组织被纤维化组织替代，导致肺功能进行性、不可逆性的降低。目前尚无已知的肺纤维化治疗方法和有限的治疗选择，该疾病的治疗和管理侧重于减轻肺功能衰退的进展和改善生活质量。肺纤维化患者的进展速度是高度可变的，可能从多年内几乎没有变化到短期内迅速恶化。肺纤维化治疗和管理的一个非常关键的步骤是评估肺功能下降，因为这将指导临床医生确定最佳的治疗和管理过程，从氧疗和肺康复到药物（吡非尼酮^[1]和奈替达尼^[2]）和肺移植^[3]。ATS/ERS/JRS/ALAT^[4]制定的指南描述了许多诊断肺纤维化的方法。侵入性技术，如外科肺活组织检查，对患者的健康和肺功能有相关风险^[5]。跨支气管肺活组织检查是一种侵入性较小的技术，使用胸腔镜或柔性支气管镜采集肺组织的小样本^[6]。临床医生已经使用了许多方法来评估诊断后的肺功能下降。例如，肺活量测定试验经常被用于测量肺的FVC，这是肺功能^[7,8,9,10]的一个关键指标。

计算机断层扫描（CT）图像是评估因肺纤维化而导致的肺功能下降和肺损伤程度的最有效的方法之一。在CT扫描中发现了一些视觉指标，并被放射科医生利用来评估肺纤维化导致的肺功能下降，最常见的视觉指标是蜂窝，表现为囊性间隙和不规则增厚的纤维化组织壁^[11]。然而，考虑到不同患者的进展速度可能是高度可变的，准确预测肺纤维化进展的能力仍然是一个主要的挑战。更为复杂的是，某些常见的视觉指标如蜂巢，在某些进展阶段甚至根本不存在^[12]，而CT扫描中可能出现其他类似于其他疾病的非典型模式（例如磨玻璃样阴影、实变、结节和病变的不典型分布占优势^[13]，以及磨玻璃衰减的存在^[14]）。因此，当利用CT图像作为评估肺纤维化导致的肺功能下降的工具时，提高预测准确性的新方法是非常需要的。

特别的，最近人们对利用人工智能进行肺纤维化的计算机辅助临床决策支持产生了兴趣^{[15,16,17,18]}。例如，Anthimopoulos等人^[19]使用深度卷积神经网络分析CT图像中的2D斑块，对在肺组织中的网状、蜂窝、毛玻璃样混浊（GGO）、实变和微结节进行分类。Christodoulidis等人^[20]提出了一种多源转移学习方法，该方法使用深度卷积神经网络，通过选择纹理数据集进行预训练，同样的目标是在CT中对肺组织的2D图像块进行分类。Bermejo Pelaacute;ez等人^[21]描述了一种使用深度卷积神经网络集合的方法，其中每个网络的输出在组合形成集合的整体输出之前进行汇总和加权。最近，开源影像联盟（OSIC）发起的Kaggle肺纤维化进展挑战^[22]证明了人工智能驱动的肺纤维化计算机辅助临床决策支持方法的巨大潜力和发展需求，以促使研究社区加快进展机器学习在肺纤维化评估中的应用。

基于机器学习对肺纤维化的计算机辅助临床决策支持的潜力，在本研究中我们介绍了Fibrosis Net，一种专为从胸部CT图像预测肺纤维化进展而设计的深度卷积神经网络。此外，为了探索Fibrosis Net的决策行为，我们利用可解释性驱动的性能验证策略来审核Fibrosis Net，以验证预测是否基于CT图像中的相关视觉指标。作为OpenMedAI倡议的一部分，Fibrosis Net以开源和开放访问的方式向公众开放用于医疗人工智能解决方案，目前包括COVID-Net^{[23,24,25,26]}方案和Cancer-Net^[27]方案。虽然Fibrosis Net还不是一个可用于生产的筛查解决方案，但我们希望该模型和数据集的发布将鼓励研究人员、临床医生和公民数据科学家都可以利用和建立它。

本文的组织结构如下。第2节详细描述了数据准备过程、架构设计构建过程、提出的Fibrosis Net网络架构设计以及可解释性驱动的性能验证过程。第3节介绍了使用OSIC肺纤维化进展挑战测试数据集^[22]评估所提出的Fibrosis Net有效性的定量结果，以及用于研究Fibrosis Net性能的可解释性驱动的性能验证过程的定性结果。最后得出结论，同时在第4节讨论未来的工作，并讨论了所提出的工作的更广泛的影响。

第二章 方法

2.1 数据准备

为了建立所提出的Fibrosis Net，我们利用OSIC肺纤维化进展挑战基准数据集^[22]。该数据集包括胸部CT扫描、1-3年内频繁就诊的用力肺活量（FVC）测量以及相关的临床元数据（即年龄、性别、吸烟状况和患者相对FVC测量值与具有类似特征的患者的典型FVC测量值相对比值）。更具体地说，在本研究中训练集由172例患者病例组成，而测试集由大约28例患者病例组成。

为了提高来自患者扫描的CT图像的一致性和质量，我们进行了一些预处理步骤。更具体地说，所有CT成像数据均转换为Hounsfield单位（HU），窗口水平为-650 HU，窗口宽度为1700 HU，以更好地聚焦临床相关肺部特征。此外，在基准数据集中的患者案例中发现的合成填充和圆形伪影得到缓解，以减少错误视觉特征作为预测指标被学习的可能性。最后，考虑基准数据集中患者病例中发现的校准值误差，以进一步减轻作为预测指标学习错误特征的可能性。来自数据集的CT切片示例如图1所示，可以观察到，不同患者CT扫描中肺纤维化的外观差异很大，因此用于肺功能下降的预测可能相当具有挑战性。CT扫描中可变的视觉外观进一步激发了对深度学习策略的探索，以解决这种复杂的预测任务，从而促进计算机辅助临床决策支持。

2.2 机械驱动的设计探索

本文提出的Fibrosis Net的目标是根据患者的CT扫描、初始肺活量测量和临床数据，预测患者在未来特定时间点的强迫肺活量（FVC）（单位：ml）。为了构建高度定制的深度卷积神经网络体系结构设计，专门针对高预测性能，我们从^[23]中得到启发，并利用生成综合^[28]方法作为机器驱动的设计探索策略，以确定CT肺分析的强大架构设计。在这种方法中，将一个定制的深度神经网络架构设计的确定问题定义为一个基于通用性能函数U（如^[29]）和一组定量约束的约束优化问题。上述约束优化问题是基于初始网络设计原型、定量约束集和现有数据，进行迭代解决的。

更具体地说，通过机器驱动设计探索确定的CT肺分析主干架构设计利用残差架构设计原则^[30,31]作为初始网络设计原型，为提高CT扫描的数量和多样性以及相关的预测性能限制，从世界各地获得了2116例患者病例，包括有无呼吸道疾病^[25,26]。正是基于这种主干架构设计，提出的Fibrosis Net架构设计专门针对基于CT扫描、初始肺活量测量和患者临床元数据的FVC预测而构建。使用TensorFlow深度学习库完成了Fibrosis Net的实现、训练和评估^[32]，使用Adam优化算法^[33]和平均绝对误差(MAE)损失进行训练，学习率为1e-4，每100步的指数衰减为0.99，批处理大小为8。

图1 来自OSIC肺纤维化进展挑战基准数据集^[22]的CT切片示例

2.3 网络架构

本文所提出的Fibrosis Net体系结构如图2所示。给定来自患者较低位置55%的CT扫描子集（肺纤维化通常出现在肺部）的一组CT图像，每一个CT图像通过一系列卷积层，以创建CT图像的精简特征表示。这种CT图像的精简特征表示与临床元数据一起传递到一个全连接层中，以预测肺功能的线性变化率。然后，将患者CT扫描中所有CT图像的肺功能预测线性变化率传递到FVC预测层，在FVC预测层中，利用肺功能预测线性变化率中值、患者的初始肺活量测量和临床元数据（即年龄、性别和吸烟状况）预测所需时间点的FVC。作为FVC预测层中的最终操作，在临床元数据上使用Elastic Net正则化拟合的回归器也可用于在所需时间点产生预测FVC，然后将其与卷积驱动FVC预测相结合以获得最终FVC预测结果。

所提出的Fibrosis Net具有高效的异构设计，主要由轻量级的构建组件组成，如深度卷积和逐点卷积。特别是，与^[25,26]类似，非结构化和跨步的映射-复制-映射-扩展设计模式（分别表示为PRPE和PRPE-S，用于非结构化和跨步模式）都被大量使用，以在表现能力和体系结构和计算效率之间达成强有力的平衡。所提出的Fibrosis Net的效率使它非常适合于计算资源有限的临床场景，特别是在处理由许多CT图像组成的CT扫描时，如本研究中的肺纤维化进展预测任务。

此外，在所提出的Fibrosis Net中展示了选择性远程连接和由逐点卷积组成的中心连接集线器，用于使信息直接从早期卷积层流向后期卷积层。通过集中连接集线器使远程连接的数量非常稀少，Fibrosis Net的选择性远程连接特性在改进的代表性容量和体系结构效率之间达成了强有力的平衡。 剩余内容已隐藏，支付完成后下载完整资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[596117]，资料为PDF文档或Word文档，PDF文档可免费转换为Word