基于支持向量機多模態超聲模型診斷腎疾病

李廣涵，劉 建，武敬平，田 艷，劉 將，馬立勇，劉躍軍，張 波，鄭 敏*

[1.中日友好醫院超聲醫學科，北京 100029；2.北京大學中日友好臨床學院，北京 100029；3.哈爾濱工業大學(威海)信息科學與工程學院，山東 威海 264209；4.哈爾濱理工大學自動化學院，黑龍江 哈爾濱 150080]

腎臟疾病發病率較高, 易致終末期腎病[1]，需早期診斷與治療，以延緩腎功能惡化。不同類型腎臟疾病的臨床表現及治療方法存在較大差異[2]。常規超聲、彩色多普勒超聲等能觀察腎臟的大小及血流等情況，卻難以判斷腎臟組織的硬度。彈性成像通過無創方式判斷組織硬度，得到相應部位楊氏模量，以客觀反映其彈性，其數值隨組織硬度的增大而增大[3]，近年來顯示出對于腎臟疾病具有良好應用前景；但由于腎臟位置較深，結構復雜，且測量硬度受血液和尿液的影響較大，單獨應用彈性成像評價腎臟疾病存在一定局限性。本研究觀察基于常規超聲、彩色多普勒超聲和彈性成像的多模態超聲診斷腎臟疾病的價值。

1 資料與方法

1.1 一般資料 選取2019年5—12月在中日友好醫院接受超聲檢查的腎臟疾病患者，排除無法屏氣接受彈性成像、單側腎臟缺如、腎盂積水或腎臟腫瘤者。以94例經腎臟粗針穿刺活檢獲得明確病理診斷者作為腎病組，男60例，女34例，年齡17～70歲，平均(42.1±13.1)歲；包括原發腎小球腎炎者53例，繼發腎小球腎炎者28例，小管-間質疾病13例。選取同期109例肌酐正常且排除可能影響腎臟的疾病的住院或門診患者作為對照組，男59名，女50名，年齡16～79歲，平均(52.9±15.0)歲?；颊呔炇鹬橥鈺?。

1.2 儀器與方法 按照預先設計的調查問卷記錄2組患者一般情況后，采用邁瑞昆侖R8超聲儀進行常規超聲、彩色多普勒超聲及彈性成像。囑患者仰臥或側臥，先以常規超聲分別測量雙腎長度、寬度、皮質厚度、髓質厚度、實質厚度及距皮深度。隨后行彩色多普勒檢查，于腎髓質間測量葉間動脈，于腎動脈起始段或腎門處測量腎動脈主干，分別測量上述血管的收縮及舒張期血流流速及血流阻力指數。最后進入剪切波彈性模式，使探頭盡可能與腎臟包膜垂直，適當經探頭施壓后行彈性檢查，待彈性圖像穩定后囑患者屏息，盡量調小圓形ROI的面積，確保其內彩色充滿且均勻一致，并在5～10 s內完成測量。每次測量后暫停彈性系統，重新開啟后再行下一次測量。依次測量右腎及左腎皮質、髓質和腎竇部剪切波速度，剪切波速度最少測量3次，取中位數為剪切波數值(圖1～3)。由2名具有5年以上超聲腹部診斷經驗和彈性成像操作經驗的超聲科主治醫師完成上述操作。

圖1 正常腎臟彈性成像圖，腎皮質彈性值8.74 kPa

1.2.1 數據處理與統計 使用Microsoft Excel 2007軟件錄入臨床數據。按照3∶1比例將全部203例患者隨機分為2組，以其中153例作為訓練樣本、50例為驗證樣本。采用SPSS 25.0統計分析軟件，以獨立樣本t檢驗比較單因素連續變量，篩選與腎病存在統計學關聯的指標建模。以腎病組=1和對照組=0為因變量，將篩選出的單因素變量納入多因素Logistic回歸，變量納入的標準設置為0.05。采用Logistic混合逐步前向回歸(LR法)建立Logistic回歸預測模型，得到存在腎病與否的預測結果。P<0.05為差異有統計學意義。

1.2.2 SVM建模 采用Logistic回顧和SVM法，SVM采用二類支持向量機，其核函數包括線性核函數、高斯核函數和徑向基函數，通過優化方法對核函數及其參數獲得最佳值，從而建立診斷模型。于Python 3.7平臺運行SVM模型，以scikit-learn 0.22軟件進行分析。采用網格優化方法搜索SVM算法的核函數和各參數，逐步得到準確率最高的模型架構，選擇準確率最高的核函數和參數作為預測模型。以敏感度、特異度、準確率及AUC作為評價診斷效能的指標。

圖2 男，52歲，不典型膜性腎病，彈性成像圖，腎皮質彈性值4.96 kPa

圖3 男，31歲，IgA腎病伴缺血性腎損傷，彈性成像圖，腎皮質彈性5.77 kPa

2 結果

2.1 單因素分析 6個單因素變量與腎病存在統計學關聯(P<0.05)，分別為右腎寬度、右腎實質厚度、右腎皮質厚度、左腎實質厚度、左腎皮質彈性硬度和右腎皮質彈性硬度。其他觀察指標與腎病無明顯統計學關聯。見表1。

表1 單因素變量檢驗結果

2.2 建立Logistic多因素回歸模型 多因素回歸預測模型中包括3個因素，即右腎實質厚度、右腎皮質彈性硬度和左腎皮質彈性硬度。Logit(p)=2.090×右腎實質厚度—0.611×右腎皮質彈性硬度—0.735×左腎皮質彈性硬度+6.345。其中P為歸于腎病組的概率，取0.5為判斷界值，即P>0.5為腎病組，P<0.5歸為對照組。見表2。

表2 多因素逐步Logistic回歸結果

2.3 模型診斷效能比較 對建立的Logistic回歸模型進行測試，用敏感度、特異度、準確率和AUC評價診斷效能，SVM模型準確率85.10%，與Logistic回歸模型(83.74%)接近(χ2=0.21，P=0.65)。見表3。

表3 SVM與Logistic回歸模型預測效果比較

3 討論

支持向量機(support vector machine, SVM)是一種基于結構最小化理論的機器學習方法，適用于處理樣本量少的高維度的線性及非線性醫學相關數據[4]。本研究應用SVM和Logistic回歸構建模型判斷不同腎臟疾病，觀察聯合應用常規超聲、彩色多普勒超聲和彈性成像診斷腎臟病變的效能，比較不同模型診斷能力的差異。

腎臟具有維持機體水和電解質穩定的重要作用，也是多種疾病的靶器官。不同類型腎損傷可導致腎小球硬化、腎小管萎縮及腎間質病變等多種不同組織改變。腎臟代償能力較強，常規血尿檢驗提示異常時，通常腎臟損傷已比較嚴重[5]，而此時常規超聲和彩色多普勒超聲可無特異性發現，僅能對腎臟大小和血流改變進行觀測，使得無創且能定量評估腎臟疾病的影像學檢查手段成為臨床迫切需要。實時剪切波彈性成像技術是近年發展起來的新型超聲檢查技術[6]，通過向目標組織施加激勵使之產生相應組織位移，以超聲結合數字信號后處理技術評價目標組織的彈性硬度，能無創、定量地反映組織彈性，現已逐步用于臨床診斷腎臟及腎臟相關疾病[7-8]。目前相關研究多單獨分析剪切波彈性成像與腎損傷的關系，聯合應用常規超聲、彩色超聲和彈性成像診斷腎臟疾病者較少，且缺乏聯合診斷建立腎損傷的模型觀察。

本研究采用傳統統計學方法為Logistic回歸建模，需要較多樣本，對于分析小樣本高維度數據存在一定缺陷，故引入SVM思想建立診斷模型。首先將原始樣本數據映射到高維特征空間，然后識別一個超平面，將數據項分為2類；該超平面通過最大化兩類的距離和最小化分類錯誤得到，具有較好的泛化能力[9]。既往研究[10-11]已證明SVM是解決醫療問題的有效方法。通過10次隨機分組方式，本研究建立的SVM模型計算10次檢驗結果平均的準確率，可最大程度地減少抽樣不均勻對訓練樣本和測試樣本造成的診斷結果的隨機誤差，從而更真實有效地反映SVM模型對腎臟疾病的診斷效能。

單因素分析結果顯示，常規二維超聲所示右腎寬度、右腎實質厚度、右腎皮質厚度及左腎實質厚度在腎病組與對照組之間的差異具有統計學意義，且腎病組大于對照組。本研究腎病組患者均接受腎穿刺活檢，其中慢性腎病急性發作及急性腎病占比相對較高，急性腎病時腎臟存在腫脹和充血等改變，導致腎臟不同程度增大，故部分腎臟常規超聲測值增大。彈性成像測值中，雙側腎皮質硬度組間差異有統計學意義，且腎病組低于對照組，可能與腎臟疾病患者腎血流減少，腎臟周圍纖維被膜形成，彈性受血液壓力影響大有關，與既往研究[12]相符。本研究Logistic回歸模型和SVM模型均將超聲彈性列為最終計算參數，提示剪切波彈性數值對于判斷腎病具有重要參考價值；但腎臟彩色多普勒血流參數在腎病組與對照組之間差異無明顯統計學意義，可能與腎病組僅包含1例高血壓腎病有關。本研究中Logistic回歸模型的預測準確率為83.74%，SVM模型為85.10%，提示2種模型均具較好診斷效能，而SVM模型的可拓展性更高：Logistic模型主要在數據層面建立，而SVM可進一步分析包括醫療圖像、文字描述等數據在內的更多醫療信息，提高對腎臟疾病的判斷能力。

綜上所述，多模態超聲是無創診斷腎臟疾病的較好手段；SVM模型和Logistic模型均有較高診斷效能，尚需要更多數據加以進一步優化。