非结核分枝杆菌肺病影像学表现及应用人工智能新技术的研究进展

高珊 聂文娟 侯代伦 初乃惠

非结核分枝杆菌(nontuberculosis mycobacteria,NTM)是指除结核分枝杆菌(Mycobacteriatuberculosis,MTB)复合群和麻风分枝杆菌以外的分枝杆菌。人体感染NTM导致各组织、器官发生病变称为NTM病,其中NTM肺病是最常见的NTM病,近几年,NTM肺病的发病率和相关的病亡率在全球范围内逐渐升高[1-2]。虽然我国缺乏NTM病大样本流行病学数据,但是我国NTM占分枝杆菌比例从1990年的4.9%上升至2000年的11.1%,在2010年甚至达到了22.9%[3-4],NTM病已经成为我国结核病防治领域重点关注的问题之一。近年来,人工智能(artificial intelligence,AI)技术在医学中飞速发展,越来越多的算法用于自动检测和量化CT图像上的病变。在过去,有多项研究试图在胸部X线摄影或者胸部计算机断层扫描(computed tomography,CT)上使用机器学习或深度学习算法构建诊断肺结核模型[5-9],同样,在NTM肺病中也进行了AI新技术的探索。

在临床工作中,影像学检查一直是评估NTM肺病病变的重要检查方式,NTM肺病在胸部X线和胸部CT检查的影像表现都具有一定的特征性征象,基于此,笔者归纳、整理了NTM肺病的影像学表现和AI在NTM肺病影像学应用于诊断、预后和治疗的新尝试,希望能更好地了解NTM肺病在AI领域的发展趋势,并且对疾病的诊断和治疗方式提供新思路。

常见NTM肺病患者的影像学表现

一、胸部X线表现

NTM肺病在胸部X线上显示以上叶为主的空洞性病变,伴有胸膜增厚和不均匀线状或结节状阴影,空洞可以有多个,但更常见的是单个病变,可表现为边界不清的薄壁空洞,其内可被空气或液体填充[10]。

二、胸部CT表现

由于胸部X线检查的密度分辨率低,非空洞性病变在胸部X线的显示较少,大多采用胸部CT检查提高病变检出的可信度[10]。

1.支气管扩张及结节为主型病变:该型进展缓慢,多见于不抽烟的老年女性[11-14]。影像学特点以支气管扩张伴周围小叶中心结节为主,可合并空洞、斑片影等其他征象[15-16],表现为树芽征的细支气管炎、支气管管壁增厚的节段性支气管扩张及伴有黏液堵塞是疾病活动的表现[10]。右肺中叶、左肺舌段是NTM患者支气管扩张累及的常见部位[12,17],同时,支气管扩张在分布上呈现不对称性且多位于外周[14]。

2.空洞为主型病变:该型进展较快,主要发生在有潜在性肺部疾病的中年吸烟者[14],影像学表现以空洞为主,可同时合并支气管扩张、树芽征、斑片影等其他征象[10,15]。空洞可以分布在单侧或者双侧且累及单个或多个肺段,多见于上叶尖段和后段[10]。NTM肺病的空洞更大,洞壁厚度增加并且空洞范围广[14]。

3.过敏性肺炎样表现:又被称为“热水浴”肺表现,较少见,由于吸入被NTM污染的热水蒸气引起的过敏性肺炎表现,亚急性起病,多见于鸟-胞内分枝杆菌复合群(Mycobacteriumavium-intracellularecomplex,MAC)感染[18],肺内多表现为弥漫性小叶中心性微结节的浸润和(或)磨玻璃样改变及呼气状态下的空气潴留[19]。

4.孤立结节肿块型:可为单发或多发结节,较少见,常在无症状的患者中偶然发现,可以是钙化或非钙化结节,结节内可见空腔,部分结节需要与癌性结节鉴别[19];局灶性肿块样病变与原发性肺癌相似[10],需要借助其他检查进行鉴别。

5.合并获得性免疫缺陷综合征:肺部受累多见播散性病变,表现为粟粒样结节或者实变影,全身病变则表现为播散性淋巴结病,主要累及纵隔及腹部[19]。

三、NTM肺病与肺结核在影像学表现上的鉴别诊断

NTM肺病与肺结核的CT征象有一定相似性,但仍有其特征表现。NTM肺病双肺病变比肺结核要常见[20],NTM肺病患者更容易出现薄壁空洞(直径>3 cm)和支气管扩张,且支气管扩张好发于右肺中叶和左肺上叶舌段[21],而肺结核空洞和支气管扩张好发于上叶尖后段和下叶背段,且肺结核以厚壁空洞多见,扩张的支气管因周围有纤维索条牵拉而走形扭曲[15],肺结核患者的肺门淋巴结肿大表现更常见[22]。

AI技术在NTM肺病影像学诊断中的应用

临床诊疗过程中,医生通常根据自身专业经验和受教育程度对影像图像中的病灶作出报告和评估,从而完成疾病的检测和表征,这样传统的评价模式可能存在主观评判不准确或不客观的问题,而AI擅长自动识别复杂图像数据并对影像学特征进行客观且准确的定量评估,由于AI这种非定性评估在图像识别任务中表现出色,其应用在依赖图像数据的医学专业近些年快速发展[23]。机器学习有多种模型和算法,深度学习是机器学习的重要分支,是AI的重要组成部分。对于图像中有无人工标注特征的参与可以将机器学习分为有监督学习、无监督学习和半监督学习[24]。

国内外学者在胸部X线辅助诊断NTM肺病方面进行了探索与尝试。Liu等[25]使用胸部X线将稠密卷积网络(dense convolutional network,DenseNet)121作为深度神经网络(deep neural network,DNN)的主干结构建立了用于区分肺结核、NTM肺病和疑似分枝杆菌感染的模型,在该模型下测定NTM肺病患者的内部和外部测试集的曲线下面积(area under curve,AUC)分别为0.86±0.006和0.64±0.017,在内部测试集上该模型的准确度(69.0%～64.0%)均高于高年资医生诊断准确度(53.8%～47.8%,P<0.001)和低年资医生诊断准确度(50.3%～44.7%,P<0.001),表明该模型分类性能良好且诊断准确率高于医生。Park等[26]同样借助胸部X线使用DenseNet 201、残差神经网络(residential network,ResNet) 50和Efficientnet B4三个基本卷积神经网络(convolutional neural network,CNN)模型对数据进行训练和验证,并使用ImageNet进行迁移学习调整模型性能,最终在3个 CNN模型的比较中,Efficientnet B4在预测NTM肺病的各项指标最佳,召回率为0.85,F1值为0.77,AUC值为0.88,准确度为85%,Efficientnet B4与ResNet 50进行联合后,模型的AUC值可提升至0.90,与Efficientnet B4联合的CNN模型的评估指标均高于放射科医生,这为探索鉴别诊断NTM肺病与肺结核提供了新的深度学习模型方向。

AI在CT影像辅助诊断中同样进行了诊断价值的评估。Yan等[27]研究报告使用5 mm层厚CT图像对病灶进行感兴趣区(region of interest,ROI)标注后联合K-近邻 (k-nearest neighbor,KNN)、支持向量机(support vector machine,SVM)、极端梯度提升(extreme gradient boosting,XGBoost)、随机森林(random forest,RF)、逻辑回归(logistic regression,LR)、决策树(decision tree,DT)六个分类器对NTM肺病和肺结核的空洞征象进行评估分析,发现LR分类器表现最好,在外部验证集的精确度、召回率和F1值分别为0.92、0.94和0.93,该研究显示,对于空洞所提取出的影像组学特征可以为鉴别NTM肺病和肺结核提供有效证据,LR是NTM空洞征象诊断优势最高的分类器,但是相较于薄层CT,5 mm层厚图像可能会丢失一些信息从而影响研究准确性。Xing等[28]同样对病灶进行勾画后利用机器学习算法对单中心的NTM肺病患者与肺结核患者的支气管扩张和空洞征象进行分析,发现支气管扩张征象提供的信息量更大,仅用2个提取出的定量特征联合线性SVM分类器可得出模型的AUC值为0.84±0.06,准确度为91%～79%,敏感度为95%～81%,特异度为92%～68%,但是增加患者例数后能否保持模型的良好的预测性能还未可知。Wang等[29]报告了一项基于CT图像的深度学习框架—三维残差网络(three dimensions-residential network,3D-ResNet)区分NTM肺病和肺结核有效性的研究,在训练集、验证集和测试数据集上的AUC值分别为0.90、0.88和0.86,而在外部测试集上的AUC值为0.78,3D-ResNet模型的AUC值均高于放射科医生,且模型处理任务效率更高,深度学习模型不勾画ROI就可得到良好的鉴别性能,还具有比放射科医生更快的效率和更可靠的准确性。以上结果表明,深度学习可能是提高临床诊断能力的新方式。

AI基于影像学在NTM肺病预后和治疗评价中的应用

AI不仅用于NTM肺病诊断的研究,还有学者对NTM肺病的预后和治疗评价进行了分析。Lee等[30]使用基线胸部X线基于深度学习模型影像组学评分来预测NTM肺病患者3年、5年和10年的总病亡率,得到的AUC值分别为0.792、0.781和0.844,影像组学评分联合临床信息的LR模型提供的10年、5年和3年病亡率的AUC值分别为0.922、0.942和0.865,并且该研究表示基线胸部X线图像可以预测NTM肺病的中长期病亡率,可预测性与临床信息量有关。Yoon等[31]使用半自动ROI分割的方法基于DL的3D nnU-Net探索了NTM肺病和肺结核空洞病变的临床意义,模型得出NTM肺病空洞病变需要治疗的AUC值为0.834 (95%CI:0.773～0.894)。此外,AI算法还具有能辅助评估NTM肺病治疗时机的功能,对于帮助医师进行临床决策具有重要意义。

总结与展望

虽然NTM肺病影像学征象与肺结核有部分重叠,但可以根据特征性征象、好发部位等进行有效鉴别,同时联合AI在医学影像图像中的使用可以实现NTM肺病的快速诊断,不仅诊断准确率高于放射科医生,还可以用于预测和评价NTM 肺病治疗及预后情况。但是AI在NTM肺病的临床应用上仍存在挑战与限制。NTM肺病发病率低于肺结核,对于NTM肺病的研究,无法像肺结核一样进行大规模分析,因此,目前对NTM肺病的研究主要采用监督学习为主的ROI划分和特征提取进行小样本分析。真实世界中进行ROI的划分需要投入大量的人力和时间,而短时间内进行大量数据运算的无监督学习为主的算法有待挖掘与开发;医学影像图像的ROI划分具有个体差异性,在未来还需建立统一的ROI勾画标准;NTM肺病的分枝杆菌种类繁多,如何运用AI技术准确鉴别不同菌种类型感染的肺病同样是亟待解决的问题;此外,目前使用AI模型评估NTM肺病治疗疗效和预后的研究数量较少,仍需开展进一步分析,以进行更深入地探索与发现。

利益冲突所有作者均声明不存在利益冲突

作者贡献高珊:文章撰写;聂文娟:对文章的知识性内容作批评性审阅; 侯代伦和初乃惠:对文章的知识性内容作批评性审阅、指导、支持性贡献