Mély tanulási modell a gerincvelő kompressziójának kimutatására a nyaki gerinc MRI vizsgálatokban

< Kiemelések

Bevezetés

A degeneratív cervicalis myelopathia (DCM) egy krónikus betegség, amely a nyaki gerincvelő progresszív, nem traumatikus kompresszióját okozza. Mivel a gerincvelő összenyomódása romlik, a DCM neurológiai hiányokat, mozgássérüléseket és az életminőség jelentős romlását okozhatja.

A CSM-International és a CSM-észak-amerikai klinikai vizsgálat s a két legnagyobb klinikai vizsgálat, amely a gerincvelő DCM-ben végzett műtéti dekompressziója után a klinikai eredményeket vizsgálta. A betegeket akkor vették be a vizsgálatba, ha 1 vagy több mielopátia klinikai tünete volt, és a nyaki gerincvelő kompressziójának képi bizonyítékai voltak. Minden betegnek elvégezték a nyaki gerinc MRI vizsgálatát, majd műtétet folytattak. A betegeket ezután a műtét után 6, 12 és 24 hónappal értékelték.

Adatábrázolás

Mindegyik betegnek műtét előtt volt a nyaki gerinc MRI-je, amely legalább T2-súlyozott és T1-súlyozott szekvenciát tartalmazott axiális és sagitalis sorozattal. Sajnos az MRI-ket különféle formátumokban tárolták. A többség dicom fájl volt, de sokat JPEG vagy PNG csempézett sorozatként tároltak. Ezenkívül néhány MRI hiányzott vagy sérült. Csak azokat az MRI-ket vettem fel, amelyeket dicom fájlként tároltunk, amelyek 289 betegre korlátoztak minket.

Úgy döntöttem, hogy mindegyik MRI-t független axiális 2D képek sorozataként ábrázolom. Ez azért volt előnyös, mert ki tudtam használni a meglévő mély tanulási modelleket, mint például a VGG16 vagy a ResNet50. Úgy döntöttem, hogy az egyes axiális szeleteket a szkennelés többi axiális szeletétől függetlenül vesszük figyelembe. Úgy gondoltam, hogy ez ésszerű kompromisszum lesz. Ennek a megközelítésnek az a hátránya, hogy minden olyan jellemző elvész, amely túlnyomórészt a Z-tengely mentén nyilvánul meg. Minden beteg esetében kivontam a T2-súlyozott axiális szekvenciát, és új dicom fájlokként tároltam őket. Ezt manuálisan hajtották végre az OsiriX Lite használatával.

Adatcímkézés

A DCM-ben szenvedő betegek MRI-vizsgálata során számos kóros változás azonosítható. A képalkotási eredmények teljes skáláját a Neurosurgical Focus 2016-os cikke foglalja össze. (https://www.ncbi.nlm.nih.gov/pubmed/27246488)

Összefoglalva: a DCM-mel kapcsolatos strukturális változások, amelyek az MRI-n észlelhetők:

A mély tanulási modellt a gerincvelő kompressziójának kimutatására összpontosítottam a következő okok miatt:

Ezen okokból úgy gondoltam, hogy a gerincvelő kompressziójának megbízható kimutatására képes mély tanulási modell hasznos szűrőeszközként szolgál azon betegek felderítésére, akiknek klinikai myelopathia tünetei vannak vagy akiket a klinikai myelopathia kialakulásának veszélye fenyeget.

Az adatcímkézés egységesítéséhez a 2010-es tanulmányban felvázolt minőségi kritériumokat használtam. https://www.ncbi.nlm.nih.gov/pubmed/20150835. Fontos, hogy nem tettem különbséget a részleges gerincvelő és a körkörös gerincvelő összenyomás között. Ehelyett a gerincvelő kompresszióját definiáltam a gerincvelő parenchyma bármelyik bemélyedéseként, amely megváltoztatta a gerincvelő kerületének kontúrját. A címkézők értékelték az egyes T2-súlyozott axiális szeleteket, és a következő címkét rendelték hozzá:

A címkézés eredményei

Két címke önállóan 110 beteget jelölt meg, ami 5635 egyedi axiális képnek felel meg. A fennmaradó 173 beteget ebben a szakaszban nem jelölték meg, és modelltesztelés céljából tartották.

Amint látható, a két címke kiváló egyetértésben volt (96,4%) a nem tömörített képekről. A tömörített képek tekintetében továbbra is jó az egyezség (88,1%). Megvizsgáltam a képeket, ahol nézeteltérés volt a címkézők között, és megállapítottam, hogy ezek a képek általában minimális részleges tömörítésűek voltak.

Összefoglalás

A jelentés első részében leírtam az adatok ábrázolásának módszerét és az adatok előkészítésének folyamatát. Összefoglalva a degeneratív cervicalis myelopathiában (DCM) szenvedő betegek MR-felvételeit gyűjtöttem a CSM-International és a CSM-észak-amerikai vizsgálatokból. Ezután minden betegből kivontam a T2-súlyozott axiális szekvenciát. A gerincvelő kompressziójának azonosítására összpontosítottam ezekben az axiális képeken, mert a gerincvelő kompressziója rendkívül érzékeny és specifikus megállapítás a klinikai mielopátia szempontjából. Két címkéző átment a képek egy részhalmazán, és minden T2-súlyozott axiális képet egy előre meghatározott kvalitatív kritériumok alapján felcímkézett a gerincvelő kompresszióját mutató képek azonosítására.

Modellarchitektúra

Megnéztem a kialakult mély konvolúciós neuronhálózatokat (CNN), és némi összehasonlítás után úgy döntöttem, hogy a ResNet50-re koncentrálok az ImageNet adatbázis jó teljesítménye és a viszonylag kisebb memóriaigény miatt. Korábbi tanulmányok jó eredményeket értek el a transzfertanulás segítségével, az Imagenet súlyainak alkalmazásával az MRI és a CT képek osztályozásához. Így próbáltam ugyanezt megtenni, és különböző fokú finomhangolást teszteltem. Kiemelt helyet tulajdonítottam a modell egyszerűségének. Így megpróbáltam optimális teljesítményt elérni egyetlen ResNet50 CNN segítségével, mielőtt összetettebb modelleket alkottam volna összeállítással.

A CNN-ek ResNet-családja mindennapossá vált, mióta első helyezést értek el az ILSVRC 2015 versenyen. Az architektúra olyan maradék egységeket használ, amelyek elkerülik a pontosság romlását. A ResNet50 hátránya, hogy mélységét figyelembe véve képtelen lennék a nulláról képezni a modellt. Ez rendben van, mert amúgy is előre kiképzett súlyokat szándékoztam használni egyes rétegekhez.

Modellképzés

A címkézett adatkészletet az adatok 80% -ával képzési / validációs kohorszra osztottam, és 20% -ot fenntartottam a modellteszteléshez. Számos modellarchitektúrát képeztem ki, és a modellek összehasonlításához metrikaként használtam a tesztelési adatkészlet általános pontosságát. A Keras v2.24-et egy TensorFlow v1.5 háttérprogrammal használtam a modell megvalósításához. Adatbővítést használtam véletlenszerű méretezéssel, forgatással és vízszintes megfordítással a modellképzés során. A következő architektúrákat teszteltük.


A 4. modell, amelynek két teljesen összekapcsolt rétege volt, mindegyik 512 egységgel, a legjobban teljesített, 92,99% -os pontossággal. Itt biztosan van némi javítás, de mélyebb hálózatokkal kezdtem memóriakorlátba ütközni a GPU-n, így egyelőre ezzel a teljesítménnyel kötöttem ki. Kellemes meglepetés volt, hogy viszonylag egyszerű hálózati konfigurációval ~ 93% -os pontosságot értem el.

Myelopathiás betegek felderítése

Tehát teszteltem a modellt egyedi T2-súlyozott axiális szeleteken, és a gerincvelő kompressziójának azonosításakor 93% -os pontosságot értem el. Azt azonban még nem bizonyítottam, hogy a modell valódi klinikai körülmények között hasznos lenne.

A való világban a betegek sokféle tünettel jelentkezhetnek az elsődleges orvosuknál, amelyek a nyaki mielopátiára utalhatnak. Ezek a betegek gyakran átesnek a nyaki gerinc MRI-jén. A radiológus szakorvosok ezt követően értelmezik az MRI vizsgálatokat és azonosítják a rendellenes vizsgálatokat, amelyek fáradságos és időigényes folyamat lehet.

Meg akartam tudni, hogy a modell képes-e megkülönböztetni egészséges és a DCM megerősített diagnózisával rendelkező betegeket. 32 egészséges kontroll beteg adatait használtam, akiken a nyaki gerinc MRI-jét végezték. A DCM-International és DCM-észak-amerikai vizsgálatokba beiratkozott 179 beteget is felhasználtam, akiknél igazolták a méhnyak myelopathiájának diagnózisát. A modellt nem képezték ki ezekre a képekre. Így két betegcsoportom volt, amelyeket megpróbáltam osztályozni a modellel:

Minden beteg esetében a konvolúciós idegháló modellt alkalmaztam minden T2-súlyozott axiális szeletre. A modell minden szeletre osztályjóslatot ad ki. A betegenkénti szeletek száma 18–82 között mozgott, mediánja 43. Egy egyszerű küszöböt használtam a betegszintű előrejelzés előállításához. Ha a modell szerint a gerincvelő összenyomódása> 1 szeletet mutat, akkor a beteget rendellenesnek titulálják.

A modell nagy érzékenységű (0,9665) és magas specificitású (0,8529) különbségeket tudott megkülönböztetni az egészséges kontroll kohorsz és a beteg kohorsz között.

A műtéti eredmények előrejelzése

A degeneratív cervicalis myelopathiában szenvedő betegeket gyakran műtéttel kezelik, különösen akkor, ha mérsékelt vagy súlyos tüneteik vannak. A betegek többségénél, de nem mindennél, a tünetek javulnak a műtéttel. Mások klinikai predikciós modelleket próbáltak kifejleszteni a DCM műtét utáni kimenetelének előrejelzésére. Ez a cikk logisztikai regressziós modellt használt a műtét utáni klinikai javulás előrejelzésére a műtét előtti életkor, a tünetek időtartama, a betegség súlyossága, a pszichiátriai társbetegségek, a járás romlása és a dohányzás állapota alapján.

< Feltételeztem, hogy képes leszek megjósolni a műtéti kimenetet 279 beteg kohorszában az operáció előtti klinikai változók és a modell által automatikusan generált radiográfiai jellemzők kombinálásával.

A módosított Japán Ortopédiai Egyesület (mJOA) pontszámát használtam a műtéti kimenetel mérésére. Az mJOA-t általában a szakterület szakértői használják. A 15–18 mJOA-pontszám enyhe myelopathiát, 8–14 mérsékelt myelopathiát és 3–7 súlyos myelopathiát jelez. Korábbi tanulmányok megállapították, hogy az mJOA javulása legalább 2 ponttal „klinikailag jelentős” javulás. A műtét után „klinikailag javultnak” minősítettem azokat a betegeket, akik a műtét után 6 hónappal legalább 2 ponttal javultak az mJOA-ban.

Klinikai jellemzők

Radiográfiai jellemzők

Minden beteg esetében a konvolúciós idegháló modellt alkalmaztam minden T2-súlyozott axiális szeletre. A modell minden beteg számára előállít egy osztály-előrejelzési vektort. Ezután számos összefoglaló funkciót generáltam az osztályjóslatok vektorából.

Véletlenszerű erdei modellt képeztem ki a műtéti kimenetel előrejelzésére 6 hónapon belül. Két modellt képeztem ki – az egyik csak a klinikai jellemzőkkel, a másik pedig a klinikai jellemzőkkel és az automatikusan generált radiográfiai jellemzőkkel. Az adatokat 75% -os képzési / validációs kohorszra és 25% tesztelő kohorszra osztottam. Mindkét modellt rácskeresési stratégia segítségével hangoltam. Ezután tízszeres keresztellenőrzéssel képeztem ki a modelleket, és összehasonlítottam a modellek tesztelési adatkészletének teljesítményét a ROC görbe alatti területtel.


A klinikai + radiográfiai jellemzők által használt 23 tulajdonságot rangsoroltam a jellemző fontossága alapján. A modell által használt 10 legfontosabb funkció közül 5 radiográfiai elem volt.

Összegzés