[论文解读] Machine learning-based analysis of hyperspectral images for automated sepsis diagnosis

Maximilian Dietrich, Silvia Seidlitz+17 more|arXiv (Cornell University)|Jun 15, 2021

Optical Imaging and Spectroscopy Techniques参考文献 42被引用 7

一句话总结

本研究表明，利用手掌和大腿皮肤组织的高光谱成像（HSI）数据，通过线性判别分析对光谱特征进行分析，机器学习可实现超过98%的脓毒症分类准确率。尽管性能优异，作者识别出多种受试者相关、治疗相关和成像相关的混杂因素，若未来研究未加以控制，可能高估算法的准确性。

ABSTRACT

Sepsis is a leading cause of mortality and critical illness worldwide. While robust biomarkers for early diagnosis are still missing, recent work indicates that hyperspectral imaging (HSI) has the potential to overcome this bottleneck by monitoring microcirculatory alterations. Automated machine learning-based diagnosis of sepsis based on HSI data, however, has not been explored to date. Given this gap in the literature, we leveraged an existing data set to (1) investigate whether HSI-based automated diagnosis of sepsis is possible and (2) put forth a list of possible confounders relevant for HSI-based tissue classification. While we were able to classify sepsis with an accuracy of over $98\,\%$ using the existing data, our research also revealed several subject-, therapy- and imaging-related confounders that may lead to an overestimation of algorithm performance when not balanced across the patient groups. We conclude that further prospective studies, carefully designed with respect to these confounders, are necessary to confirm the preliminary results obtained in this study.

研究动机与目标

• 探究机器学习是否能够利用高光谱成像（HSI）数据实现脓毒症的自动化诊断。
• 识别并分析可能偏倚HSI基础脓毒症分类的潜在混杂因素——受试者相关、治疗相关和成像相关因素。
• 通过评估这些混杂因素对模型性能的影响，评估基于HSI的机器学习模型的泛化潜力。
• 为未来前瞻性研究提供一个框架，以控制已识别的混杂因素，确保算法开发的稳健性和可靠性。
• 比较HSI与数字患者数据在早期脓毒症检测中的诊断潜力，强调早期前瞻性数据收集的必要性。

提出的方法

• 使用海德堡大学医院的现有HSI数据集，包含脓毒症、胰腺手术及健康对照受试者的掌部和大腿的光谱图像。
• 对所有受试者HSI数据中提取的中位光谱特征应用线性判别分析（LDA），以分类脓毒症。
• 通过比较脓毒症、手术和健康受试者组之间临床和成像变量的分布，系统性地分析混杂因素。
• 使用箱形图和蜂群图可视化混杂因素，包括静态/动态受试者因素（年龄、BMI、MAP、SpO2、血红蛋白、胆红素）、治疗因素（液体平衡、VIS、通气）以及成像因素（采集时间、软件版本）。
• 使用杂散光检测算法识别并排除受光学伪影影响的图像。
• 评估时间性和技术性变化（如2019年11月的软件更新）对光谱数据一致性的影。

实验结果

研究问题

• RQ1 机器学习能否利用皮肤组织的高光谱成像数据实现高精度的自动化脓毒症诊断？
• RQ2 哪些受试者相关、治疗相关和成像相关的因素构成HSI基础脓毒症分类的混杂因素，它们如何影响模型性能？
• RQ3 诸如年龄、血流动力学参数或成像软件版本等混杂变量在多大程度上偏倚分类结果？
• RQ4 脓毒症患者的光谱特征与健康对照及手术对照相比有何不同，这些差异在混杂因素下是否依然稳健？
• RQ5 这些混杂因素对基于HSI的脓毒症诊断算法的泛化能力和临床转化具有何种影响？

主要发现

• 基于LDA的机器学习模型在现有数据集上实现了超过98%的脓毒症分类准确率。
• 识别出多种混杂因素，包括年龄、BMI、MAP、SpO2、血红蛋白、胆红素、液体平衡、VIS和通气状态，可能偏倚模型性能。
• 成像相关混杂因素如采集时间及软件版本变更（特别是2019年11月）显著影响光谱数据和LDA投影结果。
• 杂散光伪影仅影响一小部分图像，主要来自脓毒症和胰腺手术患者，但已通过系统方法识别并排除。
• 本研究发现，若未平衡，患者组间血流动力学和代谢参数的差异可能导致算法性能被高估。
• 作者结论认为，未来前瞻性研究必须仔细控制这些混杂因素，以验证本回顾性分析中观察到的高性能。