劉中華，王小莉，呂國榮，杜永兆2，，4，柳培忠2，，4，吳秀明，何韶錚

1.福建醫(yī)科大學(xué)附屬泉州第一醫(yī)院超聲科，福建泉州362000；2.泉州醫(yī)學(xué)高等?？茖W(xué)校母嬰健康服務(wù)應(yīng)用技術(shù)協(xié)同創(chuàng)新中心，福建泉州362000；3.華僑大學(xué)醫(yī)學(xué)院，福建泉州362000；4.華僑大學(xué)工學(xué)院，福建泉州362000；5.福建醫(yī)科大學(xué)附屬第二醫(yī)院超聲科，福建泉州362000

前言

胎兒顏面部超聲標(biāo)準(zhǔn)切面（Fetal Facial Ultrasound Standard Plane,FFUSP）在胎兒顏面部結(jié)構(gòu)畸形篩查與診斷中發(fā)揮重要作用［1］。近年來利用人工智能（Artificial Intelligence,AI）實(shí)現(xiàn)了FFUSP的自動識別［2］，但AI在超聲圖像質(zhì)量控制及醫(yī)生培訓(xùn)的應(yīng)用尚少見報道［3-4］。本研究分析AI自動識別分類FFUSP在超聲圖像質(zhì)量控制和醫(yī)師規(guī)范化培訓(xùn)方面的價值。

1 資料與方法

1.1 研究對象

以妊娠20～24周正常FFUSP圖像為研究對象，包括鼻唇冠狀切面（Nasolabial Coronal Plane,NCP）、正中矢狀面（Median Sagittal Plane, MSP）、經(jīng)眼球橫切面（Ocular Axial Plane,OAP）、非標(biāo)準(zhǔn)切面（Non-Standard Plane,N-SP）4個切面圖像。圖像按照用途分為標(biāo)準(zhǔn)集圖像與實(shí)驗(yàn)集圖像，分別用于AI模型訓(xùn)練、測試及評價不同經(jīng)驗(yàn)醫(yī)生與AI識別分類FFUSP能力。所有圖像均來自于福建醫(yī)科大學(xué)附屬泉州第一醫(yī)院超聲圖文工作站，使用儀器為GE Volusen E8超聲儀及Philips EPIQ5超聲儀。

圖像納入標(biāo)準(zhǔn)：①圖像清晰，目標(biāo)結(jié)構(gòu)位于圖像正中占據(jù)整個圖像1/2以上，背景純凈無偽像；②圖像內(nèi)無疊加彩色血流圖像，無測量卡鉗、文字標(biāo)識等人工注釋；③產(chǎn)后證實(shí)胎兒無顏面部及其它結(jié)構(gòu)畸形。圖像排除標(biāo)準(zhǔn)：①由于孕婦肥胖、圖像抖動等原因?qū)е聢D像模糊、拖尾，目標(biāo)結(jié)構(gòu)顯示欠清晰；②超聲檢查或產(chǎn)后證實(shí)胎兒異常。最終納入標(biāo)準(zhǔn)集圖像1 906張，實(shí)驗(yàn)集圖像4 532張。

1.2 儀器與方法

本研究AI 模型使用局部二值模式（Local Binary Pattern,LBP）和梯度方向直方圖（Histogram of Oriented Gradient,HOG）提取訓(xùn)練集圖像紋理特征［5-6］，通過支持向量機(jī)（Support Vector Machine,SVM）學(xué)習(xí)其紋理特征［7］，實(shí)現(xiàn)FFUSP的自動分類，最后通過預(yù)測分類測試集圖像評估模型（圖1）。

圖1 AI模型識別FFUSP流程Fig.1 Process of identifying FFUSP by AI model

實(shí)驗(yàn)集圖像由產(chǎn)前超聲專家以《中國胎兒產(chǎn)前超聲檢查規(guī)范》［8］為依據(jù)分為OAP 組、MSP 組、NCP組、N-SP 組（圖2）。AI 模型構(gòu)建成功后，由3 名僅完成住院醫(yī)師規(guī)范化培訓(xùn)的醫(yī)生組成的初級醫(yī)生組、3名經(jīng)過半年以上產(chǎn)科超聲檢查專科培訓(xùn)的醫(yī)生組成的中級醫(yī)生組及AI分別獨(dú)立對實(shí)驗(yàn)集圖像進(jìn)行識別分類，比較分析初級醫(yī)生組、中級醫(yī)生組及AI 對FFUSP 各切面分類的敏感度、特異度、陽性預(yù)測值、陰性預(yù)測值、準(zhǔn)確率，觀察AI 與不同經(jīng)驗(yàn)醫(yī)生對FFUSP識別分類能力差別。

圖2 FFUSP各切面超聲圖像Fig.2 Ultrasonic images of each kind of FFUSP plane

1.3 統(tǒng)計(jì)學(xué)方法

采用SPSS22.0軟件進(jìn)行統(tǒng)計(jì)學(xué)分析。計(jì)量資料用均數(shù)±標(biāo)準(zhǔn)差表示，符合正態(tài)分布，使用t檢驗(yàn)或方差分析。計(jì)數(shù)資料以例（n）或率（%）表示，組間比較采用χ2檢驗(yàn)。AI對FFUSP分類與專家分類的一致性分析采用Kappa檢驗(yàn)。AI與初級醫(yī)生、中級醫(yī)生對FFUSP的識別能力比較采用McNemar檢驗(yàn)，并比較相應(yīng)ROC曲線下面積（AUC）。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 一般資料

標(biāo)準(zhǔn)集圖像1 906張，按8：2比例分為訓(xùn)練集和測試集；實(shí)驗(yàn)集圖像4 532張。各圖像集各切面分布見表1。

表1 各圖像集各切面分布情況Tab.1 Distribution of each kind of plane in each image set

2.2 AI模型構(gòu)建與測試結(jié)果

AI對測試集圖像各切面分類的敏感度、特異度、陽性預(yù)測值、陰性預(yù)測值、準(zhǔn)確率均達(dá)90%以上，與專家分類一致性強(qiáng)（P<0.001,表2）。

表2 AI對測試集各切面識別水平Tab.2 Recognition level of each kind of plane in test set by AI

2.3 不同級別醫(yī)生與AI對FFUSP實(shí)驗(yàn)集識別能力比較

（1）中級醫(yī)生對各切面識別能力均優(yōu)于初級醫(yī)生（P<0.05）。AI對FFUSP 各切面總體識別能力均優(yōu)于中級醫(yī)生與初級醫(yī)生（P<0.05）；AI 對NCP、MSP識別敏感度和特異度均優(yōu)于中級醫(yī)生（P<0.05），對OAP 識別敏感度優(yōu)于中級醫(yī)生（P<0.05），兩者間特異度差異無統(tǒng)計(jì)學(xué)意義（P=0.125）（表3）。

表3 不同級別醫(yī)生與AI對實(shí)驗(yàn)集各切面識別水平（n=4 532）Tab.3 Recognition level of each kind of plane in experimental set by doctors and AI (n=4 532)

（2）AI 對各切面識別水平與專家分類一致性強(qiáng)（P<0.05），k值分別為NCP：0.886、MSP：0.937、OAP：0.771。

2.4 AI與初級醫(yī)生、中級醫(yī)生、專家對FFUSP識別效率比較

AI對FFUSP實(shí)驗(yàn)集圖像分類效率顯著優(yōu)于各組醫(yī)生人工識別效率（P<0.001），專家與中級醫(yī)生識別效率無顯著差異（P=0.364），專家識別效率優(yōu)于初級醫(yī)生（P=0.012），見表4。

表4 實(shí)驗(yàn)集分類時間Tab.4 Time for classification of images in experimental set

3 討論

醫(yī)生在超聲檢查中對FFUSP 的準(zhǔn)確識別對胎兒顏面部畸形篩查起到?jīng)Q定性作用，但不同經(jīng)驗(yàn)的醫(yī)生對超聲切面的識別能力存在差異［9］。本研究中經(jīng)過產(chǎn)科超聲系統(tǒng)培訓(xùn)的中級醫(yī)生對FFUSP的識別與分類能力明顯優(yōu)于未經(jīng)系統(tǒng)培訓(xùn)的初級醫(yī)生體現(xiàn)了這一差異。對超聲醫(yī)生進(jìn)行規(guī)范化的?？婆嘤?xùn)能夠明顯提高超聲醫(yī)生對標(biāo)準(zhǔn)切面的識別能力，進(jìn)而提高超聲醫(yī)生的檢查水平［10］。進(jìn)行超聲圖像質(zhì)量控制亦能改善胎兒超聲檢查質(zhì)量，整體提高檢查的準(zhǔn)確性［11］，因此在臨床工作中需要對超聲醫(yī)生進(jìn)行高效率培訓(xùn)并對其所獲取的超聲圖像進(jìn)行質(zhì)量控制。然而超聲醫(yī)生培訓(xùn)以及超聲圖像質(zhì)量控制均是由人工進(jìn)行，除了受到師資力量不足以及培訓(xùn)時間不足等因素影響［12-13］，還極易受主觀因素影響，并且耗費(fèi)大量的人力物力，難以進(jìn)行大范圍的標(biāo)準(zhǔn)化?？婆嘤?xùn)及圖像質(zhì)量控制。

AI是計(jì)算機(jī)程序執(zhí)行與人類智能相關(guān)行為如推理、學(xué)習(xí)、適應(yīng)、感知和交互的能力。近年來AI技術(shù)逐漸應(yīng)用于醫(yī)學(xué)影像自動識別及疾病輔助診斷［9,14-17］，并實(shí)現(xiàn)胎兒超聲標(biāo)準(zhǔn)切面的識別與分類［18］。本研究利用AI對FFUSP進(jìn)行識別分類以進(jìn)行超聲圖像質(zhì)量控制評價，采用基于傳統(tǒng)手工特征串聯(lián)加主流分類器的方法構(gòu)建FFUSP識別分類模型。這一方法克服了卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過程復(fù)雜、運(yùn)算速度慢等問題，節(jié)省了時間、空間資源。結(jié)果表明AI分辨FFUSP各切面的準(zhǔn)確率達(dá)90%以上，尤其MSP、NCP達(dá)到95%以上，與專家分類相比均有極強(qiáng)的一致性。當(dāng)AI具有較高水準(zhǔn)的分辨超聲圖像能力時，可輔助超聲醫(yī)生優(yōu)化超聲圖像并提高診斷的準(zhǔn)確性［14,19］。利用AI輔助教學(xué)能夠提高超聲醫(yī)生整體素質(zhì)［4］。本研究中AI對FFUSP的分類能力明顯優(yōu)于初級醫(yī)生和中級醫(yī)生，尤其對于結(jié)構(gòu)復(fù)雜的MSP，初級醫(yī)生與中級醫(yī)生的識別水平均較低，而AI經(jīng)過標(biāo)準(zhǔn)化訓(xùn)練后對該切面的識別水平明顯高于兩者。AI在效率上明顯高于人工，對實(shí)驗(yàn)集的分類用時不到20 min，平均每張圖像識別時間為0.21 s；而專家對同一實(shí)驗(yàn)集圖像分類效率為每張圖片2.73 s。實(shí)際工作中進(jìn)行大規(guī)模胎兒超聲圖像采集和質(zhì)量控制的工作量遠(yuǎn)遠(yuǎn)大于本實(shí)驗(yàn)集內(nèi)所包含的圖像，這對人工操作人員的體力和腦力勞動均是極大挑戰(zhàn)，因此AI輔助具有重要現(xiàn)實(shí)意義。

綜上所述，AI 對正常FFUSP 識別分類具有較高的準(zhǔn)確性，可作為胎兒超聲規(guī)范化培訓(xùn)和圖像質(zhì)量控制的輔助工具。然而本研究仍然存在一些不足之處，如僅對FFUSP 進(jìn)行粗略分類，且僅對正常胎兒切面進(jìn)行識別與分類，尚未涉及精細(xì)結(jié)構(gòu)及顏面部畸形識別。未來將訓(xùn)練AI 對重要解剖結(jié)構(gòu)的精準(zhǔn)識別，以期利用AI輔助超聲診斷胎兒顏面部畸形。