《European Radiology Experimental》：Deep learning-based biliary stent classification and transfer learning adaptation to an additional stent type
编辑推荐：
准确识别既往植入的胆道支架对于规划再次介入治疗至关重要，然而由于不同厂商特有的支架设计差异，传统的影像判读仍具挑战性。该研究旨在开发一种用于胆道支架分类的深度学习模型，并评估迁移学习作为新支架类型适应性策略的可行性。材料与方法：该单中心研究纳入185例接受胆道
准确识别既往植入的胆道支架对于规划再次介入治疗至关重要，然而由于不同厂商特有的支架设计差异，传统的影像判读仍具挑战性。该研究旨在开发一种用于胆道支架分类的深度学习模型，并评估迁移学习作为新支架类型适应性策略的可行性。材料与方法：该单中心研究纳入185例接受胆道支架置入术的患者。主要数据集（151例患者的412张图像）包含四种支架类型：Epic?、EGIS、Niti-S及Bonastent?无覆膜支架。扩充数据集（185例患者的488张图像）额外纳入Bonastent?部分覆膜支架的图像。采用ResNet-50模型，通过5折交叉验证对支架数量（单枚/多枚）、厂商及具体类型进行分类训练。应用迁移学习将新增支架类型整合入模型。计算各折的准确率、精确率、召回率及F1分数，以平均值±标准差形式报告。结果：对于主要数据集，模型的F1分数为：单枚/多枚检测57.03±6.77，厂商分类94.78±4.07。各类型特异性F1分数范围为91.43±3.43（Bonastent?无覆膜）至97.91±2.59（Epic?）。数据扩充后，模型取得相近或更优的评分。迁移学习获得可比较的结果（如单枚/多枚59.06±9.08，类型特异性83.6±5.8至97.73±2.42）。结论：ResNet-50模型在放射影像及透视图像上对胆道支架的分类表现出可靠的性能。迁移学习使模型能够以最小的性能衰减更新整合新引入的支架类型。
该研究发表于《European Radiology Experimental》，聚焦于胆道支架这一临床常用介入器械的智能化识别问题。以下从研究背景、技术方法、研究结果及讨论结论四个维度进行系统解读。
**研究背景与临床问题**
自膨式金属支架（Self-expandable metallic stents, SEMS）已成为恶性胆道狭窄的标准治疗手段，适用于胆管细胞癌、胰腺癌及转移性疾病等所致的胆道梗阻。随着SEMS技术的发展，市场上出现了多种支架设计，包括无覆膜、全覆膜及部分覆膜SEMS，各类产品在临床应用中各具优劣。无覆膜SEMS应用最为广泛，其与组织有效锚定可降低移位风险，但易发生晚期闭塞；全覆膜SEMS可防止组织向内生长，却面临更高的移位风险及侧支阻塞可能；部分覆膜SEMS则试图兼顾两者优势，中央覆膜而两端裸露以实现胆管内固定。复杂胆道解剖结构，特别是肝门部狭窄需置入多枚支架时，进一步增加了支架选择的难度。不同设计的支架各有其临床考量：大网孔无覆膜SEMS便于后续经网孔再次置入支架，而双层高密度网孔设计则旨在减少肿瘤向内生长的同时保持机械稳定性。临床实践中，胆道支架功能障碍后的再次介入十分常见，准确识别既往置入的支架类型对制定适宜的手术策略至关重要。然而，由于厂商特异性设计种类繁多，传统影像判读已难以可靠识别已置入支架。虽然人工智能，特别是基于卷积神经网络（Convolutional neural networks, CNNs）的深度学习技术，在医学影像领域已取得显著进展，但既往研究多集中于主动脉覆膜支架或牙科植入物等领域，胆道SEMS因直径更小、信噪比更低、网孔结构更致密复杂，且常呈重叠置入，使得视觉分类尤为困难。此外，胆道介入治疗反复进行，人工查阅既往病历确认支架类型耗时费力，临床亟需自动化的快速识别方案。当新型支架不断引入临床时，完全重新训练CNN模型需大量计算资源，可能干扰现有临床流程，故研究人员致力于探索高效的模型更新策略。
**主要技术方法**
该研究为单中心回顾性研究，样本来源于Jeonbuk National University Hospital 2018年1月至2023年4月期间接受胆道支架置入的连续患者队列。研究构建了两种数据集：主要数据集包含151例患者的412张腹部平片或透视图像，涵盖Epic?、EGIS、Niti-S及Bonastent?无覆膜四种支架；扩充数据集在主要数据集基础上增加34例患者的76张Bonastent?部分覆膜支架图像，总计488张图像。模型采用ResNet-50架构，输入图像统一缩放至1,536×1,536像素，应用mixup、cutmix及RandAugment等数据增强策略提升泛化能力，在NVIDIA A100 GPU（80 GB显存）上完成训练。训练任务包括三项：二分类判断单枚或多枚支架、单枚支架的厂商多分类、以及特定类型支架的识别。迁移学习部分比较了三种初始化策略：从主要数据集任务权重初始化（Primary init）、从ImageNet预训练权重初始化（ImgNet init）、以及随机初始化从头训练（From Scratch）。为评估模型可解释性，采用基于梯度的类激活图（Class activation maps, CAMs）可视化技术，生成判别性区域的热图叠加显示。
**研究结果**
**单枚与多枚支架检测**：ResNet-50模型在主要数据集上训练500轮后，单枚/多枚检测的F1分数为57.03±6.77；采用扩充数据集后提升至60.19±11.71；经迁移学习适应后达到59.06±9.08。该任务整体性能相对较低，可能与多枚支架重叠时的空间复杂性有关。
**厂商分类**：主要数据集上单枚支架的厂商分类F1分数达94.78±4.07；扩充数据集后为92.59±5.81；迁移学习后为90.47±5.66。各厂商中Epic?表现最为稳定（主要数据集97.91±2.59，迁移学习后97.73±2.42），Bonastent?系列相对较易发生误判。
**支架类型识别**：主要数据集上各类型F1分数为Epic? 97.91±2.59、EGIS 92.64±4.98、Niti-S 95.18±1.43、Bonastent?无覆膜91.43±3.43；扩充数据集新增Bonastent?部分覆膜支架的F1分数为86.32±8.74；迁移学习后各类型范围为83.58±5.81至97.73±2.42。ROC分析显示，厂商分类的平均宏观AUROC为0.9828±0.0121（95% bootstrap置信区间0.9711–0.9923），Epic?达到1.0000±0.0000。
**初始化策略比较**：三种策略呈现一致的 ordering：From Scratch < ImageNet init < Primary init，表明预训练初始化显著优于随机初始化，而领域相关的预训练权重（Primary init）较通用ImageNet权重进一步增益。DeLong检验表明大多数迁移学习轮数间的ROC曲线差异无统计学意义，但EGIS和Epic?识别的部分轮数对存在显著差异。
**类激活图可视化**：CAM显示正确分类时激活区域集中于支架网孔、不透光标记等形态特征；错误分类时激活区域弥散，常超出支架范围。值得注意的是，仅经20%轮数（100轮）的迁移微调即可达到与完整训练相近的支架定位激活模式，计算成本显著降低而可解释性保持不变。
**讨论与结论总结**
该研究首次验证了深度学习模型在胆道支架放射影像及透视图像分类中的应用价值。研究人员指出，单枚/多枚检测性能相对较低的原因在于该任务需要捕捉全局空间关系而非局部结构特征，重叠支架的视觉相似性增加了识别难度，未来或需更大样本量及针对空间关系优化的网络架构。迁移学习方面，Primary init策略的最优表现证实了领域相关预训练的重要性，且100轮（原500轮的20%）微调不失为兼顾效率与性能的可行方案，为临床场景的迭代模型维护提供了资源高效的更新路径。但研究也揭示了一个实际局限：对于完全未在原数据集中出现的新型支架（如本研究的Bonastent?部分覆膜支架），无法直接应用基于原数据集的迁移学习，这提示未来基线数据集应尽可能涵盖更广的现有及预期支架类型，或可考虑离体多角度成像及数据增强技术以增强泛化能力。
研究局限性包括：单中心数据来源可能限制泛化性；不同支架类型的图像数量分布不均；单一标注者缺乏观察者间/内一致性评估；且无法完全排除图像选择过程中的记录差错。未来研究应采用多读者独立验证设计，并将自动化支架识别系统整合至常规透视工作流中。
研究结论指出：ResNet-50模型在胆道支架的放射影像及透视图像分类中表现出可靠的性能；迁移学习能够以最小的性能衰减更新整合新引入的支架类型；这些结果提示了模型更新策略在器械相关影像分析中的潜在应用前景，但仍需更大规模、多中心数据集进一步验证其临床效用。
