基於深度學習於肺部、縱膈腔腫塊與淋巴結之支氣管超音波影像惡性腫瘤判讀

氣管內視鏡超音波細針抽吸(endobronchial ultrasound-guided transbronchial needle aspiration, EBUS-TBNA)，是一種成熟技術，它使用超音波掃描氣道和周圍的結構，結合內視鏡、超音波，以及細針抽吸功能，相對以往病理檢體取得必須經由縱膈腔鏡、電腦斷層導引穿刺術，或胸腔鏡手術，EBUS-TBNA能達到高準確性病灶診斷，以快速、即時性、無輻射、降低氣胸與血胸發生率以及無手術麻醉風險條件下，提供ㄧ個更快速、簡便、安全、準確的病灶檢體取得方式，以便進行診斷。由於此技術需要具有相關經驗資深的醫師，來判斷超音波影像中病灶與淋巴結的位置，並進行穿刺抽吸取得檢體。若病灶體積小於一公分或是位置鄰近血管，會增加切片位置判斷之困難度，以及出血之風險。因此，本研究預期能透過卷積神經網絡訓練，具有自動判讀惡性超音波影像之能力。此為回溯性(Retrospective study)研究，以遷移式學習(Transfer learning)方式，進行模型訓練及參數調整、監督式學習(Supervised learning)來訓練深度卷積神經網絡(Convolutional Neural Network, CNN)。回溯自2019年05月 至 2021年12月期間，於臺北醫學大學附設醫院經篩檢後共收案205例的EBUS-TBNA超音波影像及其切片後病理報告。模型訓練分別以下兩組方式進行：感興趣位置(region of interests , ROIs)共311張，與整張超音波扇型影像(Full image)共309張。分別各取80%影像作為訓練集(training set)，20%影像為測試集(test set)，並對訓練集做資料增量(data augmentation)，使用InceptionV3、ResNet101、VGG19三個預訓練模型(pre-training model)，進行5折交叉驗證訓練(5-fold cross validation)，最後進行測試集效能評估。在訓練集方面，ROIs組增量前於InceptionV3、ResNet101、VGG19的準確率最優數據分別為77.2 %、78.1%與77.5%；ROIs增量後分別為82.7%、83.5%與90.1%。 Full image組增量前，三個模型準確率分別為76.4%、77.3%與74.8%；增量後則分別為81.1 %、83.9%與82.6%。在測試集方面，ROIs增量後的判讀準確性較增量前稍微增加，平均值分別為增量前81.3%，增量後82.0%；Full image增量後的判讀準確性較增量前顯著增加，Full image準確性分別為增量前64.3%，增量後71.3%。透過人工智慧裡深度學習的分析，結果皆有潛力準確分析肺部、縱膈腔腫塊與淋巴結之支氣管鏡超音波影像內的惡性腫瘤於處理後的ROIs或Full image。本論文透過卷積神經網絡訓練後，能自動判讀惡性腫瘤超音波影像，引導臨床醫師準確判讀病灶正確位置，針對異常病灶影像進行穿刺抽吸切片檢查，除了可以提高腫瘤與淋巴結切片之準確率，也可以避免或降低出血之發生率。