作者投稿
专家审稿
编辑办公
邮件订阅
RSS
-
摘要:目的 基于深度学习算法构建宫颈原位腺癌(cervical adenocarcinoma in situ, CAIS)病理图像诊断模型。方法 回顾性收集2019年1月至2021年12月中国医科大学附属盛京医院病理科保存的CAIS患者病变组织、慢性宫颈炎患者正常宫颈管腺体病理切片。图像采集后，均按4∶3∶3的比例随机分为训练集、验证集和测试集。使用训练集、验证集数据对VGG16、VGG19、Inception V3、Xception、ResNet50和DenseNet201共6种网络模型进行迁移学习训练和参数调试，构建可识别CAIS病理图像的卷积神经网络二分类模型，并将模型进行组合，构建集成学习模型。基于测试集数据，采用运算时间、准确率、精确率、召回率、F1值、受试者操作特征曲线下面积(area under the curve，AUC)对模型识别CAIS病理图像的性能进行评价。结果 共入选符合纳入和排除标准的CAIS患者病理切片104张、慢性宫颈炎患者正常宫颈管腺体病理切片90张。共收集CAIS、正常宫颈管腺体病理图像各500张，其中训练集、验证集、测试集图像分别400张、300张、300张。6种模型中，ResNet50模型的准确率(87.33%)、精确率(90.00%)、F1值(86.90%)及AUC(0.87)均最高，召回率(84.00%)居第2位，运算时间较短(2062.04 s)，整体性能最佳，VGG19模型次之，Inception V3与Xception模型的性能最差。6种集成学习模型中，ResNet50与DenseNet201集成模型的整体性能最优，其准确率、精确率、召回率、F1值、AUC分别为89.67%、84.67%、94.07%、89.12%、0.90，VGG19与ResNet50集成模型次之。结论 通过深度学习算法构建CAIS病理图像识别模型具有可行性，其中ResNet50模型的整体性能较高。集成学习可提高单一模型对病理图像的识别效果。Abstract:Objective To construct a pathological image diagnostic model of cervical adenocarcinoma in situ(CAIS) based on deep learning algorithm.Methods Pathological tissue sections of CAIS and normal cervical canal and gland sections of chronic cervicitis stored in the Pathology Department of Shengjing Hospital, China Medical University from January 2019 to December 2021 were retrospectively collected. After image collection, they were randomly divided into training set, validation set and test set with a ratio of 4∶3∶3. The data of training set and validation set were used to conduct transfer learning training and parameter debugging for 6 network models, including VGG16, VGG19, Inception V3, Xception, ResNet50 and DenseNet201, and the convolutional neural network binary classification model that could recognize pathological images of CAIS was constructed. The models were combined to build the ensemble learning model. Based on the test set data, the performance of pathological image recognition of single model and ensemble learning model was evaluated. The results were expressed by operation time, accuracy, precision, recall, F1 score and area under the curve(AUC) of receiver operating characteristic.Results A total of 104 pathological sections of CAIS and 90 pathological sections of normal cervical duct and gland with chronic cervicitis were selected. A total of 500 pathological images of CAIS and normal cervical duct glands were collected, including 400 images of training set, 300 images of validation set and 300 images of test set, respectively. Among the 6 models, ResNet50 model, with the highest accuracy(87.33%), precision(90.00%), F1 score(86.90%) and AUC(0.87), second highest recall(84.00%) and shorter operation time(2062.04 s), demonstrated the best overall performance; VGG19 model was the second; and Inception V3 and Xception model had the worst performance.Among the 6 kinds of ensemble learning models, ResNet50 and DenseNet201 showed the best overall performance, and their accuracy, precision, recall, F1 score and AUC were 89.67%, 84.67%, 94.07%, 89.12% and 0.90, respectively. VGG19 and ResNet50 ensemble model followed.Conclusions It is feasible to construct CAIS pathological image recognition models by deep learning algorithm, among which ResNet50 models has higher overall performance. Ensemble learning can improve the recognition effect on pathological images by single model.
-
临床实习是医学本科生从理论向临床的过渡阶段，也是从医学生向独立医生转变的重要过程，其中临床技能培训是不可或缺的一环。目前，我国临床技能培训模型包括橡胶模具、假人、模拟器和活体动物等[1]，但橡胶模具和假人真实度差、精细度低，模拟器和活体动物则花费较高。此外，目前的技能培训通常将外科操作分开练习，难以实现将独立的技能运用到连贯的手术中。同时，随着外科手术技术的进步、微创外科的发展和手术流程的优化，对于实习医生来说，能在真实手术中进行操作练习的机会大大减少[2-3]。因此，本团队在美国芝加哥大学医学中心(The University of Chicago Medical Center, UCM)和加州大学旧金山分校医疗中心(University of California, San Francisco Health, UCSF Health)的协助下，通过互联网远程指导，改良设计了符合中国临床医学本科生培养实际情况的7种外科模拟手术模块，并将其命名为“全要素外科模拟手术教学”。本研究为回顾性分析，将该教学模式与传统规范化培训进行比较，观察接受两种不同培训模式的学生临床操作水平及接受度。
1. 资料与方法
1.1 研究对象与分组
以2019年10月至2020年10月，在北京协和医院实习的北京协和医学院临床医学专业学生为研究对象。通过抽签法随机将学生分为试验组(全要素外科模拟手术教学组)和对照组(传统规范化培训教学组)。
1.2 教学方法
课题组每周二开展外科临床技能开放培训班，对照组及试验组根据相应教材各教授1项内容，学生可根据个人时间安排自行选择参加相应组别的培训。课前均提前3 d向两组发放本团队录制的教学录像、PPT课件等供学生预习。
试验组依据课题组编写的《全要素外科模拟手术教学》教程，设置常见的手术模拟情景教学，向学生讲解、演示手术及围术期操作过程。培训内容共包括7个模块，详见表 1。教学过程中将对照组教学内容充分融合其中，如小肠切除吻合术中同时包含消毒铺巾、切开缝合等操作；腹壁疝修补术中同时包含消毒铺巾、切开缝合、换药拆线等操作；肺叶切除术中同时包含消毒铺巾、切开缝合、胸腔闭式引流拔除等操作；小腿截肢术中同时包含清创、脓肿切开等操作。
表 1 试验组全要素外科模拟手术教学培训模块对照组则严格按照国家医学生考试大纲设置培训内容，以《外科实习医师手册》《外科学》《教育部临床能力认证系列丛书一中国医学生临床技能操作指南》作为教材进行培训，培训内容包括：消毒铺巾、切开缝合、结扎止血、换药拆线、清创、脓肿切开、胸腔闭式引流拔除7项内容。
培训过程中两组各由1名主治医师通过操作示范向学生讲授培训内容的操作要点、方法及注意事项，学生分组模仿训练，教师巡视观察，现场纠正、演示。每次课程90 min，课后两组学生均可将操作模具带回自行练习1周，如有疑问，可及时反馈。研究结束后根据学生意愿，可选择参加与先前不同组的培训。
1.3 教学效果评估
(1) 学生完成所有课程后进行技能考核，考核内容包括消毒铺巾、切开缝合、结扎止血、换药拆线、清创、脓肿切开、胸腔闭式引流拔除7项内容。两组学生乱序进行测试，由未参与本次教学的外科临床医师进行作评分，严格按照当年国家临床执业医师资格考试实践技能评分标准，每项操作均以百分制计，评分内容包括操作前准备、操作步骤及人文关怀等。
(2) 参与课程后，学生通过线上/纸质问卷填写团队设计的外科临床技能培训反馈调查表，内容包含对自我操作能力、自我临床思维能力、自我学习效率及教学方式接受度的评价4个部分，每部分满分均为25分，总分以百分制计。
1.4 统计学处理
采用SPSS 25.0软件进行统计学分析。计量资料以均数±标准差表示，组间比较采用t检验，以P＜0.05为差异有统计学意义。
2. 结果
2.1 一般资料
共80名学生接受了培训，其中对照组和试验组各40名。两组性别、年龄差异无统计学意义(P均＞0.05)。
2.2 两组外科临床技能操作考核成绩比较
试验组在外科临床技能操作考核中，消毒铺巾、切开缝合、结扎止血、换药拆线、清创、脓肿切开、胸腔闭式引流拔除成绩均高于对照组(P均＜0.01)。见表 2。
表 2 两组外科临床技能操作考核成绩比较(x±s，分)组别 消毒铺巾 切开缝合 结扎止血 换药拆线 清创 脓肿切开 胸腔闭式引流拔除 试验组(n=40) 90.88±4.42 86.33±5.45 89.00±4.70 91.15±5.29 89.00±4.31 87.70±5.17 90.58±5.56 对照组(n=40) 75.93±4.87 72.80±8.16 72.38±7.26 73.05±5.78 70.40±5.35 70.38±7.99 75.25±7.65 t值 14.376 8.720 12.157 14.614 17.190 11.511 9.994 P值 ＜0.01 ＜0.01 ＜0.01 ＜0.01 ＜0.01 ＜0.01 ＜0.01 2.3 两组问卷调查结果比较
共发放调查问卷80份，收回有效问卷80份，有效问卷回收率为100%。试验组对自我操作能力、自我临床思维能力、自我学习效率、教学方式接受度的评分均显著高于对照组(P均＜0.05, 表 3)。
表 3 两组问卷调查结果比较(x±s，分)组别/评价 自我操作能力 自我临床思维能力 自我学习效率 教学方式接受度 总分 试验组(n=40) 21.95±2.68 21.13±2.76 21.83±2.99 22.13±2.50 87.03±4.23 对照组(n=40) 19.15±4.53 18.33±3.24 19.83±4.14 19.18±2.75 76.48±4.41 t值 3.37 4.17 2.48 5.01 10.91 P值 ＜0.01 ＜0.01 0.02 ＜0.01 ＜0.01 3. 讨论
全要素外科模拟手术教学是本团队受UCSF所提倡的教学理念启发后，结合我国医学生培训情况，创新设计的教学方法。该方法不用活体动物和高大上的模拟仪器设备，而是采用易获得且价廉物美的动物器官(比如猪的肝脏、肺脏、大肠，甚至五花肉等)，结合临床案例，逼真模拟各种小手术(比如肝切除术、肺切除术、疝修补术等)，并进行分解教学和模拟操作，其中包括基本操作技能(打结、缝合等)和外科实践技能(分离结扎、血管重建等)的训练。模型中将动作逐一分解，规定每一步动作名称，统一教学，形成标准化和规范化的教学流程。因该教学内容中包含完整的基本操作方法和全面的手术操作要素，故取名为“全要素外科模拟手术教学”。
本研究试验组考核成绩显著高于对照组(P＜0.01)，提示全要素外科模拟手术教学相较于传统规范化培训，能够显著提高本科生操作水平。原因包括：(1)试验组包括所有外科基本操作，每个模块不仅关注操作本身，且更加注重完整的手术教学过程，例如“肺叶切除术”中，学生可学习到术前准备(手术指征、手术范围定位、消毒铺巾)、手术过程(切开缝合、分离切除、结扎止血等)、术后管理(术后并发症、换药拆线、拔除引流等)，而非单纯手术切除过程，虽未针对测试内容进行培训，但该组学生在操作过程中已掌握基本外科技能。技能操作只是外科体系中的一个重要环节，与之相关的术前准备、术后管理以及在此基础上形成的外科理念也是影响手术成败的关键因素[5]。(2)虽然两组授课总时长一致，但对照组是将各项技能分开培训，每项技能只在一次课程中重复练习，而试验组每个培训模块均包含消毒铺巾、切开缝合、结扎止血、换药拆线等多项技能，使学生得以反复练习，技能操作更加熟练。(3) 试验组中各项操作环环相扣，例如铺巾范围不对会影响后续操作的视野、缝合技术不过关会导致小肠无法吻合或切口无法闭合等，使学生更容易发现操作中的问题，针对自身不足之处进行练习，使操作水平进一步提升。(4)对照组为单人练习操作，而试验组需学生相互配合完成，这有助于提高团队协作能力及提高学习效率。
试验组在自我操作能力、自我临床思维能力、自我学习效率以及教学方式接受度方面的评分均显著高于对照组(P均＜0.05)，说明学生对全要素外科手术教学模式更为满意，这可能得益于仿照人体结构与功能的真实模拟道具和将情景操作融为一体的临床案例，且教学配有手术器械，使学生不仅练习了基本操作，更培养了良好的临床思维[6]。
综上，全要素外科模拟手术教学作为一种新型教学模式，能够提高实习医生的临床技能操作能力，教学效果良好且深受欢迎。但仍存在不足之处：(1)操作细节方面有待完善。(2)培训教师需要加强对培训内容的理解，将丰富的临床经验应用到教学中，摆脱既往死板的教学理念。(3)增强现实技术可将虚拟信息添加到真实世界，让体验者更好地将虚拟与现实进行交互[7]，如能将这一技术应用到教学之中，可更真实地模拟人体构造与生理，为实习医生提供更有效、更规范、更精确的外科技能培训方法。
作者贡献：刘畅负责研究设计、临床病理数据收集、病理诊断判读与论文撰写；郑宇超负责研究设计、模型构建与数据分析；谢文倩负责临床病理数据收集与图像采集；李晨、李晓晗负责指导研究设计与论文审校。利益冲突：所有作者均声明不存在利益冲突 -
![]()
图 1 宫颈原位腺癌组织病理图像(×100)
A.正常宫颈管组织(HE染色，箭头)；B.宫颈原位腺癌组织(HE染色，箭头)；C.免疫组化示P16强阳性表达；D.免疫组化示癌胚抗原阳性；E.免疫组化示雌激素受体阴性；F.免疫组化示Ki-67指数增高(约90%)
表 1 6种模型对测试集图像识别效果的评价指标
模型 运算时间(s) 准确率(%) 精确率(%) 召回率(%) F1值(%) AUC VGG16 2071.33 80.33 86.40 72.00 78.55 0.80 VGG19 2147.58 84.67 84.67 84.67 84.67 0.85 Inception V3 2115.85 64.67 61.83 76.67 68.45 0.65 ResNet50 2062.04 87.33 90.00 84.00 86.90 0.87 Xception 2061.44 65.00 73.68 46.67 57.14 0.65 DenseNet201 2124.49 80.33 80.13 80.67 80.40 0.80 AUC：曲线下面积 
下载: 导出CSV
表 2 6种集成学习模型对测试集图像识别效果的评价指标
集成学习模型 准确率(%) 精确率(%) 召回率(%) F1值(%) AUC VGG16+VGG19 83.67 77.33 88.55 82.56 0.84 VGG16+ResNet50 86.00 79.33 91.54 85.00 0.86 VGG16+DenseNet201 86.33 82.00 89.78 85.71 0.86 VGG19+ResNet50 88.33 87.33 89.12 88.22 0.88 VGG19+DenseNet201 87.33 86.00 88.36 87.16 0.87 ResNet50+DenseNet201 89.67 84.67 94.07 89.12 0.90 AUC: 同表 1
下载: 导出CSV
-
[1] Cao W, Chen HD, Yu YW, et al. Changing profiles of cancer burden worldwide and in China: a secondary analysis of the global cancer statistics 2020[J]. Chin Med J, 2021, 134: 783-791. DOI: 10.1097/CM9.0000000000001474
[2] Baalbergen A, Helmerhorst TJ. Adenocarcinoma in situ of the uterine cervix: a systematic review[J]. Int J Gynecol Cancer, 2014, 24: 1543-1548. DOI: 10.1097/IGC.0000000000000260
[3] Cleveland AA, Gargano JW, Park IU, et al. Cervical adenocarcinoma in situ: human papillomavirus types and incidence trends in five states, 2008—2015[J]. Int J Cancer, 2020, 146: 810-818. DOI: 10.1002/ijc.32340
[4] 刘从容. 宫颈腺上皮病变病理学相关问题及其研究进展[J]. 中华妇幼临床医学杂志, 2016, 12: 2-6. DOI: 10.3877/cma.j.issn.1673-5250.2016.01.001 Liu CR. Pathologic problems and research progress of cervical adenoepithelial lesions[J]. Zhonghua Fuyou Linchuang Yixue Zazhi, 2016, 12: 2-6. DOI: 10.3877/cma.j.issn.1673-5250.2016.01.001
[5] Liu J, Li L, Wang L. Acetowhite region segmentation in uterine cervix images using a registered ratio image[J]. Comput Biol Med, 2018, 93: 47-55. DOI: 10.1016/j.compbiomed.2017.12.009
[6] Xin TL, Chen L, Md Mamunur R, et al. A comprehensive review of computer-aided whole-slide image analysis: from datasets to feature extraction, segmentation, classification and detection approaches[J]. Artifi Intell Rev, 2022, 55: 4809-4878. DOI: 10.1007/s10462-021-10121-0
[7] Song D, Kim E, Huang X, et al. Multimodal entity coreference for cervical dysplasia diagnosis[J]. IEEE Trans Med Imaging, 2015, 34: 229-245. DOI: 10.1109/TMI.2014.2352311
[8] Asiedu MN, Simhal A, Chaudhary U, et al. Development of algorithms for automated detection of cervical pre-cancers with a low-cost, point-of-care, Pocket Colposcope[J]. IEEE Trans Biomed Eng, 2019, 66: 2306-2318. DOI: 10.1109/TBME.2018.2887208
[9] Li C, Chen H, Li XY, et al. A review for cervical histopathology image analysis using machine vision approaches[J]. Artifi Intell Rev, 2020, 53: 4821-4862. DOI: 10.1007/s10462-020-09808-7
[10] 庄福振, 罗平, 何清, 等. 迁移学习研究进展[J]. 软件学报, 2015, 26: 26-39. https://www.cnki.com.cn/Article/CJFDTOTAL-RJXB201501003.htm Zhuang FZ, Luo P, He Q, et al. Research progress of transfer learning[J]. Ruanjian Xuebao, 2015, 26: 26-39. https://www.cnki.com.cn/Article/CJFDTOTAL-RJXB201501003.htm
[11] Jun L, Guang YL, Xiang RT, et al. Transfer learning enhanced generative adversarial networks for multi-channel MRI reconstruction[J]. Comput Biol Med, 2021, 134: 104504. DOI: 10.1016/j.compbiomed.2021.104504
[12] Niu S, Liu M, Liu Y, et al. Distant Domain Transfer Learning for Medical Imaging[J]. IEEE J Biomed Health Inform, 2021, 25: 3784-3793. DOI: 10.1109/JBHI.2021.3051470
[13] 颜悦, 陈丽萌, 李锦涛, 等. 基于深度学习和组织病理图像的癌症分类研究进展[J]. 协和医学杂志, 2021, 12: 742-748. DOI: 10.12290/xhyxzz.2021-0452 Yan Y, Chen LM, Li JT, et al. Progress in cancer classification based on deep learning and histopathological images[J]. Xiehe Yixue Zazhi, 201, 12: 742-748. DOI: 10.12290/xhyxzz.2021-0452
[14] 杨志明, 李亚伟, 杨冰, 等. 融合宫颈细胞领域特征的多流卷积神经网络分类算法[J]. 计算机辅助设计与图形学学报, 2019, 31: 531-540. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJF201904003.htm Yang ZM, Li YW, Yang B, et al. Multi-flow convolutional neural network classification algorithm based on domain features of cervical cells[J]. Jisuanji Fuzhu Sheji Yu Tuxingxue Xuebao, 2019, 31: 531-540. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJF201904003.htm
[15] Qiao ZH, Herve D, Nicolas D, et al. 3-D consistent and robust segmentation of cardiac images by deep learning with spatial propagation[J]. IEEE Trans Med Imaging, 2018, 37: 2137-2148. DOI: 10.1109/TMI.2018.2820742
[16] Yang H, Sun J, Li H, et al. Neural multi-atlas label fusion: Application to cardiac MR images[J]. Med image Anal, 2018, 49: 60-75. DOI: 10.1016/j.media.2018.07.009
[17] Jamaludin A, Kadir T, Zisserman A. SpineNet: automated classification and evidence visualization in spinal MRIs[J]. Med image Anal, 2017, 41: 63-73. DOI: 10.1016/j.media.2017.07.002
[18] Sato M, Horie K, Hara A, et al. Application of deep learning to the classification of images from colposcopy[J]. Oncol lett, 2018, 15: 3518-3523.
[19] Simonyan K, Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Comput Sci, 2014. https://doi.org/10.48550/arXiv.1409.1556.
[20] Russakovsky O, Deng J, Su H, et al. Imagenet large scale visual recognition challenge[J]. Int J Comput Vision, 2015, 115: 211-252.
[21] Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015: 1-9.
[22] Chollet F. Xception: Deep learning with depthwise separable convolutions[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 1251-1258.
[23] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]. Proceedings of the IEEE Confer-ence on Computer Vision and Pattern Recognition, 2016: 770-778.
[24] Huang G, Liu Z, Van DML, et al. Densely connected convolutional networks[C]. Proceedings of the IEEE Confer-ence on Computer VIsion and Pattern Recognition, 2017: 4700-4708.
[25] Al-Haija QA, Adebanjo A. Breast Cancer Diagnosis in Histopathological Images Using ResNet-50 Convolutional Neural Network[C]. 2020 IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS). IEEE, 2020.
-
期刊类型引用(6)
1. 范亚欣，毕晓琳，李宁，刘俊，张婵，马晓露，王忠利，高艳. 全子宫切除术患者围手术期输血研究. 中国输血杂志. 2021(01): 29-31 . 
百度学术
2. 胡婷婷，孙婷，李凌波. 红细胞RhE抗原对卵巢癌患者围术期免疫功能及预后的影响. 临床血液学杂志(输血与检验). 2020(06): 817-820 . 百度学术
3. 李可馨，商丽华，龙波. 宫颈癌根治术中用血风险因素的评估. 中国现代医学杂志. 2019(09): 94-99 . 百度学术
4. 蔡娟，朱正荣，宋金凤. 全子宫切除术异体红细胞输注情况分析. 中国输血杂志. 2017(06): 621-623 . 百度学术
5. 张伟东，关飞舜，梁明月，梁华钦. 广州市自体输血开展情况调查与分析. 中国卫生质量管理. 2017(06): 97-99 . 百度学术
6. 程捷瑶，李景南，甘佳，钱家鸣，陆星华，杨爱明. 2015年北京协和医院消化内科红细胞输注情况. 协和医学杂志. 2016(05): 362-366 . 本站查看
其他类型引用(3)
计量
- 文章访问数: 535
- HTML全文浏览量: 124
- PDF下载量: 95
- 被引次数: 9
