RadGuide-S3P-Net:一种用于多类别肺炎亚型分类的影像组学(Radiomics)引导自训练半监督深度学习框架

《Intelligent Systems with Applications》:RadGuide-S3P-Net: A Radiomics-Guided Self-training Semi-supervised Deep Learning Framework for Multi-Class Pneumonia Subtype Classification

【字体: 大 中 小 】 时间:2026年04月08日 来源:Intelligent Systems with Applications 4.3

编辑推荐:

  摘要:为减少医学影像分析中对大规模标注数据的依赖,研究人员提出了RadGuide-S3P-Net,一种影像组学(Radiomics)引导的自训练半监督神经网络,用于肺炎亚型分类。RadGuide-S3P-Net的核心思想是,利用在少量标注胸部CT图像上训练的基

  
摘要:为减少医学影像分析中对大规模标注数据的依赖,研究人员提出了RadGuide-S3P-Net,一种影像组学(Radiomics)引导的自训练半监督神经网络,用于肺炎亚型分类。RadGuide-S3P-Net的核心思想是,利用在少量标注胸部CT图像上训练的基于影像组学的经典机器学习模型,通过软标签蒸馏(Soft-label Distillation)来引导深度神经网络。通过将影像组学衍生的先验知识迁移至深度模型,未标注CT扫描可被有效利用,从而实现从数据高效"教师(Teacher)"模型到数据饥渴"学生(Student)"网络的知识蒸馏(Knowledge Distillation)。RadGuide-S3P-Net流程包括四个主要阶段:病灶分割(Segmentation)、影像组学特征提取(Radiomics Feature Extraction)、软标签生成(Soft-label Generation)及影像组学监督的深度学习。研究回顾性纳入1148例经商业肺炎检测与分割网络检出的肺炎胸部CT扫描,涵盖细菌性肺炎(Bacterial pneumonia, Bact)、COVID-19、侵袭性肺曲霉病(Invasive Pulmonary Aspergillosis, IPA)及肺结核(Pulmonary Tuberculosis, TB)四种类别。数据按7:3随机划分为训练集(n=803)与测试集(n=345)。在仅30%训练病例有标注、70%无标注的情况下,RadGuide-S3P-Net测试集宏AUC(Macro-AUC)达0.9170,优于影像组学模型(macro-AUC: 0.8853, P=0.0275)及仅用30%标注训练的3D?ResNet?18(macro-AUC: 0.8495, P<0.0001),且与全监督3D?ResNet?18(100%标注,macro-AUC: 0.9178, P=0.4924)性能相当。结果表明,影像组学(Radiomics)引导的软标签蒸馏可有效利用未标注医学影像训练高性能神经网络用于多类别肺炎诊断。
论文解读:RadGuide-S3P-Net——影像组学引导的半监督深度学习在肺炎亚型分类中的应用
该研究发表于《Intelligent Systems with Applications》。肺炎由细菌、病毒、真菌或结核分枝杆菌引起,是全球发病与死亡的主要病因之一。胸部CT虽被广泛用于肺炎诊断及亚型鉴别,但不同病原体可产生重叠的影像学表现,且常规诊断高度依赖放射科医师经验,初学者易因经验不足和工作量大导致误诊。深度学习(Deep Learning, DL)卷积神经网络(Convolutional Neural Network, CNN)在胸部CT自动诊断中展现潜力,但强监督方法需大量精准标注数据,而医学影像高质量标注获取成本高昂,限制了CNN在肺炎亚型分类中的表现。通用半监督学习(Semi-Supervised Learning, SSL)方法如Mean Teacher、FixMatch、MoCo v2等多依赖像素级扰动或几何变换生成监督信号,忽略了医学影像中细微的域特异性表型模式(如病灶异质性与纹理)。影像组学(Radiomics)可从少量队列中量化病灶形状、强度及纹理特征,提供互补的定量成像生物标志物,但既往二者结合多限于特征拼接或集成投票。鉴于此,研究人员提出RadGuide-S3P-Net(Radiomics-Guided Self-training Semi-Supervised Neural Network),将影像组学"教师"模型的领域特异性先验知识以软概率标签形式蒸馏至3D CNN"学生"网络中,在极低标注比例下实现有效半监督学习。
主要关键技术方法: 研究人员回顾性收集华中科技大学同济医学院附属协和医院2020年5月至2022年5月的1148例确诊四类别肺炎(Bact、COVID-19、IPA、TB)成人胸部CT作为内部队列(训练集70%/测试集30%),另收集140例外部肺炎队列及公开UCSF-PDGM多参数MRI胶质瘤预后数据集验证泛化性。使用商业肺炎量化插件自动分割肺炎病灶区并由高年资放射科医师复核,重采样至各向同性1.0×1.0×1.0 mm3后裁剪病灶ROI至128×128×64体素并Z-score归一化。用PyRadiomics从分割区提取1971维影像组学特征(形状、一阶统计、纹理GLCM/GLRLM/GLSZM/NGTDM/GLDM及各滤波变换),以30%标注数据训练多层感知机(Multi-Layer Perceptron, MLP)作为"教师"模型,对所有训练数据(含70%无标注)输出软概率分布作为伪标签。以3D?ResNet?18为"学生"网络,采用双损失函数联合优化:在有标注子集上计算交叉熵损失(Cross-Entropy Loss, LCE),在所有数据上计算学生预测分布与教师软标签间的Kullback–Leibler散度(KL Divergence Loss, LKL),总损失Ltotal=LKL+LCE。性能以宏AUC(Macro-AUC)、准确率、精确率、召回率、F1值等评估,并与全监督3D?ResNet?18、全监督/半监督影像组学模型及Mean Teacher/FixMatch/S4L/MoCo v2等基线比较,辅以Grad-CAM可视化及SHAP分析,统计学显著性设为P<0.05。
研究结果
3.1. Data characteristics(数据特征): 最终数据集含1148例CT(Bact 22.0%、COVID-19 24.9%、IPA 34.7%、TB 18.5%),中位年龄39岁(IQR: 32–47),男52.1%;训练集与测试集在年龄、性别、吸烟史、诊断标签及CT机型分布上无显著差异(P>0.05),说明分组均衡。
3.2. Performance across training regimes and sensitivity analyses(不同训练方案及敏感性分析的性能): 仅用30%标注时,RadGuide-S3P-Net测试集macro-AUC达0.9170(95%CI: 0.8970–0.9358),显著高于30%标注的影像组学模型(0.8853, P=0.0275)和30%标注的3D?ResNet?18(0.8495, P<0.0001),与全监督3D?ResNet?18(0.9178, P=0.4924)无显著差异。主流SSL方法(Mean Teacher 0.8368、FixMatch 0.8192、S4L 0.7703、MoCo v2 0.8622)均显著低于RadGuide-S3P-Net(P≤0.05)。各类别ROC及混淆矩阵显示RadGuide-S3P-Net各类性能接近全监督模型,主要误判发生于Bact与IPA间(影像重叠),Grad-CAM显示网络关注肺炎相关肺实质异常区域。按CT厂商、年龄(<37岁vs≥37岁)及性别分层敏感性分析无显著性能差异。
3.3. Effects of loss settings(损失函数设置的影响): 仅用LKL(影像组学蒸馏)时RadGuide-S3P-Net测试集macro-AUC为0.9024(95%CI: 0.8794–0.9240);加入30%标注上的LCE(LKL+LCE)后提升至0.9170,与全监督3D?ResNet?18无显著差异(P=0.4924),表明KL散度提供主要判别信息,CE损失进一步锚定已知类别细化模型。
3.4. Effects of labelling ratio for radiomics-based "teacher" model(影像组学"教师"模型标注率影响): 随标注率从10%增至30%,影像组学教师测试macro-AUC由0.8575升至0.8853,再增加标注增益趋于平台,说明30%标注足以建立稳健可解释的影像组学分类器。SHAP分析显示前15位贡献特征多为小波分解一阶特征(反映多尺度强度异质性)及高阶纹理特征(GLCM簇突出性等),简单强度统计量未入前列,说明教师依赖病灶纹理与多频异质性而非全局强度。t-SNE显示影像组学与深度学习特征空间部分重叠(共享判别线索)且有独立聚类(互补表示)。
3.5. Generalizability and transferability evaluation of the RadGuide-S3P-Net(泛化性与跨任务迁移性评估): 外部肺炎队列(Bact/IPA/TB,不同CT机型)中RadGuide-S3P-Net(30%标注) macro-AUC为0.8694(95%CI: 0.8242–0.9146),高于全监督100%标注影像组学模型(0.8125, P=0.1592),与全监督3D?ResNet?18(0.8910)无显著差异(P=0.4715)。UCSF-PDGM胶质瘤预后预测任务中RadGuide-S3P-Net(30%标注) macro-AUC达0.9070(95%CI: 0.8740–0.9400),显著高于全监督100%标注影像组学模型(0.8280, P=0.0026),准确率、召回率、F1值略优于全监督3D?ResNet?18(召回率0.9070 vs 0.8050, P=0.0014),说明该框架可推广至其他影像模态与任务。
讨论与结论翻译: RadGuide-S3P-Net将影像组学知识有效整合入自训练加半监督框架,在仅用30%标注时四类别肺炎测试集macro-AUC达0.9170,性能等同于全监督3D?ResNet?18(100%标注)并超越全监督影像组学模型(100%标注)及常规SSL方法,表明影像组学引导蒸馏成功将领域特异性成像先验迁移至深度网络并促进未标注数据利用。相比依赖像素扰动的通用SSL策略,影像组学"教师"提供基于量化表型(纹理、异质性)的概率样本级指导,使"学生"网络被导向临床相关特征。消融实验证实LKL承载主要判别信息,LCE进一步稳定训练提升泛化。SHAP与Grad-CAM分别验证了影像组学教师依赖多尺度纹理异质性特征及深度网络关注解剖合理病灶区。误分类主要见于Bact与IPA间(影像重叠),未来可融合非影像临床数据辅助鉴别。外部验证与跨任务实验证实框架具良好泛化性。局限性包涵单中心回顾性质、依赖初始病灶分割精度、未纳入健康对照及其他肺病、仍依赖少量准确亚型标注。综上,RadGuide-S3P-Net证明影像组学引导半监督自训练可在大幅降低标注需求下实现满意的多亚型肺炎分类性能,为标注稀缺的医学影像任务提供可扩展的临床决策支持路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号