资料与方法
一、对象
研究对象包括实验动物和临床患者。本研究经解放军总医院伦理委员会批准（审批号：伦审第S2020-323-01）。动物实验部分尊重动物的基本福利；临床试验为回顾性研究，免除了患者的知情同意。
数据由2部分构成。第1部分，动物实验获取图像数据，作为训练集和验证集。实验动物为18只巴马小型猪，体质量在30~35 kg之间，雌雄不限。麻醉、固定、备毛，经耳缘静脉建立静脉通道，持续麻醉并监测生命体征。3名从事超声检查工作4年以上的超声医师经过专门肝创伤超声评估培训后进行实验。使用自制打击器建立肝实质挫裂伤模型，通过人眼可视化和超声造影确定肝实质挫裂伤的位置，共获得含创伤灶（不同切面的）超声图像2009张及正常肝实质超声图像1302张。第2部分，临床数据作为测试集。回顾性选取2015年1月至2021年4月就诊于解放军总医院第一医学中心确诊的肝实质挫裂伤患者37例，共153张超声图像。数据纳入标准：（1）因外伤就诊于本院进行急诊超声检查，外伤史在1周以内；（2）经临床或其他影像学证实为肝实质挫裂伤；（3）病例资料完整。排除标准：（1）图像质量不佳；（2）合并其他病理性原因（如肝硬化等）导致肝实质发生弥漫性病变，或因非外伤原因导致的肝实质损伤。同时，选取81例没有肝实质挫裂伤患者的肝超声图像共81张作为对照组数据。
二、仪器与方法
1.仪器：采用Philips EPIQ 7、GE Logiq E9及Mindray M9彩色多普勒超声诊断仪，低频凸阵探头，探头频率为3.5~5.0 MHz。二维超声图像以JPG格式存储、导出。所有图片被调整为224×224像素大小。
2.模型构建：本研究在传统的卷积神经网络［9］模型基础上通过迁移学习，经由ImageNet训练的ResNet50进行构建，获得CNLDM模型。其中，卷积网络1~4层被冻结，第5层为可训练层（图1 ）。通过增大数据集、增强数据、降低学习率及采用正则化参数等方法进行数据预处理以避免模型过拟合。该模型按照2∶1比例划分训练集和验证集，对动物数据通过三折交叉验证进行训练。即在3份均分数据中随机选取2份作为训练集，1份作为验证集，依次进行3次训练后获得3个模型，组装3个模型获得最终动物数据训练模型。考虑到动物超声图像和临床超声图像之间的差异，使用93张临床图像用于微调动物模型，获得CNLDM模型（图2 ）。
3.模型性能测试：比较CNLDM模型与不同年资医师组判读结果之间的差异。6名不同经验超声医师分为低年资、中年资及高年资组，每组各2名，超声从业经验分别为4年、8年及15年。6名超声医师分别对临床测试集图像进行判读。所有医师均独立作出诊断，且在判读前不知道真实结果。
三、统计学分析
使用R 21软件进行统计分析。三折交叉验证过程中的验证集用于评估动物模型的性能。测试集用于评估CNLDM模型与不同医师的预测效能。模型测试结果以受试者操作特征（receiver operating characteristic，ROC）曲线及决策曲线分析（decision curve analysis，DCA）表示。比较CNLDM模型及不同年资组医师诊断的敏感度、特异度、阳性预测值、阴性预测值及准确性，以Bootstrap方法计算模型95%可信区间。为了表示不同年资医师组的诊断水平平均值，医师组识别的结果以
±s表示。使用Kruskal-Wallis test检验比较模型与医师识别的整体差异性。所有统计检验均为双边检验，P＜0.05为差异具有统计学意义。
结果
临床测试集数据结果显示，CNLDM模型识别肝实质挫裂伤的敏感度、特异度及准确性分别为80%、77%及79%，AUC达0.86（95%可信区间：0.82~0.89），可以较为可靠的识别肝实质挫裂伤（图3 ）。DCA分析显示模型在阈值0.4~0.6之间有较好的测试集收益（图4 ）。低、中、高年资医师组诊断敏感度（61%、72%、84%）、特异度（75%、89%、86%）及准确性（66%、78%、85%）不同，CNLDM模型诊断效能优于低年资医师组，略差于高年资医师组，差异具有统计学意义（P＜0.05），而与中年资医师组诊断效能接近，差异无统计学意义（P＞0.05，表1 ）。使用“热图”进行模型的可视化解释，其中红色部分为模型重点关注的可疑肝实质挫裂伤区域（图5 ）。
图3 卷积神经网络肝损伤模型（CNLDM）与不同年资医师组在测试集中的效能分析。蓝色曲线为CNLDM模型预测效能受试者操作特征曲线。图中三个点为低、中、高年资医师组诊断的平均效能（ |
表1 CNLDM模型与不同年资医师识别肝实质挫裂伤的效能对比 |
| 组别 | 敏感度 | 特异度 | 阳性预测值 | 阴性预测值 | 准确性 |
|---|---|---|---|---|---|
| CNLDM模型 | 0.80（0.61~0.91） | 0.77（0.65~0.95） | 0.87（0.82~0.96） | 0.66（0.53~0.80） | 0.79（0.71~0.84） |
| 低年资a | 0.61±0.14 | 0.75±0.03 | 0.82±0.02 | 0.51±0.08 | 0.66±0.08 |
| 中年资b | 0.72±0.02 | 0.89±0.03 | 0.92±0.02 | 0.63±0.03 | 0.78±0.03 |
| 高年资c | 0.84±0.08 | 0.86±0.06 | 0.92±0.03 | 0.75±0.09 | 0.85±0.03 |
注：CNLDM为卷积神经网络肝损伤模型。模型诊断效能以95%可信区间表示，不同年资医师组的诊断效能以 ±s表示。与CNLDM模型诊断效能比较，H=15.306，aP＜0.001；H=3.698，bP=0.157；H=3.289，cP＜0.001 |
讨论
近年来，计算机深度学习在辅助超声决策方面的应用日益广泛，包括图像分类［10, 11］、定位分割［12, 13］、性质识别［14, 15］、功能评估［16］及预后预测［17, 18］等，为辅助临床诊疗工作提供了便利。肝大部分位于右上腹，面积大且质地较脆，当腹部受到外力撞击后肝较易受到损伤。创伤后需要紧急评估患者生命体征和器官状态，包括血压、心率、精神状况及脏器受损情况等，以帮助临床医师做出最适合患者的治疗决策［19, 20, 21］。在野战战场等紧急条件下，超声是战术救治最为便捷、可行、有效的影像学手段，它不仅可以评估脏器受损及内出血情况，还可以指导救治的可视化操作，在紧急救治的前线发挥了不可替代的作用［22］。本研究基于深度学习网络，创新性地将人工智能应用于超声图像肝实质挫裂伤的识别，旨在帮助临床提高肝实质挫裂伤的检出率。
本研究提出了一种基于具有ImageNet预训练权重的ResNet50结构的迁移学习模型，用于依据超声图像检测肝实质挫裂伤。由于临床肝实质挫裂伤相关图像数量不足，难以满足模型训练要求，因此该模型首先在动物队列中进行训练，通过预训练的权重保持已有的低层次特征，然后通过临床图像微调模型，学习针对临床肝实质挫裂伤相关图像的更高层次特征。在评估该模型的效能时，使用临床患者的数据构建测试队列，比较不同年资超声医师组与CNLDM模型判读的效能差异。结果表明，该模型在超声图像中可以较好地预测肝实质挫裂伤，且效能优于低年资医师，稍逊于高年资医师，与具有8年超声诊断经验的中年资医师具有相近的诊断效能。这对于医疗资源有限的基层医院或情况紧急的野战条件下的救治具有重要意义，可以及时评估病情，指导制定进一步的治疗方案。
本研究有一些局限性。首先，该模型是预测超声图像中是否存在实质挫裂伤，模型只能输出“有”或“无”的预测结果。虽然模型的可视化可以解释它，但结果并不完全准确。肝挫裂伤的位置和大小的识别，即定位问题，将在以后的研究中具体阐述。此外，虽然本研究使用增大数据集、增强数据、降低学习率及采用正则化参数等方法进行数据预处理，但模型训练仍存在一定的过拟合问题，有待未来研究中增加样本数量，进一步优化模型［23］。
综上所述，本研究提出的基于超声图像的深度学习模型，对肝实质挫裂伤自动识别进行了初步探索，该模型诊断效能优于初级医师，尤其对于医疗条件有限的基层医院或野战部队，具有一定的应用价值，可以较好地辅助超声诊断，提高肝实质挫裂伤的检出率，为临床评估病情提供参考信息。