Radiology：基于深度学习的胸部CT肺功能预测方法

众所周知，胸部CT是一种成熟的肺癌筛查工具。大型随机试验表明，持续吸烟的人（≥15-20包年，在10年内停止吸烟）的肺癌死亡率相对减少。基于这些证据，建议有大量吸烟史的人每年进行一次低剂量胸部CT检查以筛查肺癌。虽然辐射危险和过度诊断是不可忽视的，但胸部CT筛查的使用在普通人群中正在扩大。

相比之下，筛查肺活量的作用仍有争议。成人慢性阻塞性肺病（COPD）的发病率相对较高，而且是导致死亡的主要原因之一。肺活量测定法是一种检测早期病例的方法，但没有数据表明在出现症状之前进行肺活量筛查的价值及意义。因此，慢性阻塞性肺病全球倡议主张积极寻找病例，而不是建议对有症状或危险因素的患者进行肺活量筛查。肺活量测定法需要通过校准和解释可接受性和可重复性来进行质量控制，这使得其很难在大规模筛查环境中进行。

考虑到这些建议，很大比例的吸烟者可能在没有进行肺活量测定的情况下接受常规CT。因此，如果胸部CT筛查可以帮助识别潜在的肺功能异常的人，可以提示临床转诊进行后续的肺活量测量。因此，低剂量CT筛查可能是慢性呼吸道疾病患者诊断不足的一个解决方案。

深度学习是机器学习的一个分支，最近已应用于胸部影像领域。临床上已经开发了几种自动报告的算法，计算机辅助诊断主要应用于检测带有注释的结构性异常，如结节、气胸、无气胸、心脏肿大、胸腔积液和结核。除了这种结构性诊断，最近的研究还关注功能方面，如肺活量的标准化和COPD表型。多项研究发现，从胸部CT图像中提取的各种定量参数与肺功能指标相关。

近日，发表在Radiology杂志的一项研究开发了一种深度学习算法，该方法可从接受健康查体参与者的低剂量CT图像中预测肺功能测试（PFT）结果，并进一步分析了选择肺功能下降风险组的预测能力。

本项回顾性研究所纳入的参与者为在2015年1月至2018年12月期间在一所大学附属三级转诊综合医院接受了当天低剂量CT的健康筛查和肺功能测试与肺活量测定的人群。数据集根据首次就诊年份分为开发集（模型训练、验证和内部测试集）和时间上独立的测试集。研究训练了一个卷积神经网络来预测低剂量CT的第一秒呼气量（FEV1）和用力肺活量（FVC）。使用平均绝对误差和一致性相关系数（CCC）来评估作为参考标准的肺活量测量和作为指标测试的深度学习预测之间的一致性。使用FVC和FEV1预测百分比（以下简称FVC%和FEV1%）值低于80%、第一秒内呼出的FVC百分比（以下简称FEV1/FVC）低于70%来对参与者进行高风险分类。

研究共纳入16148名参与者（平均年龄，55岁±10[SD]；10981名男性），并分为发展组（n = 13 428）和时间上独立的测试组（n = 2720）。在时间上独立的测试集中，FVC的平均绝对误差和CCC分别为0.22L和0.94，FEV1为0.22L和0.91。对于呼吸道高危组的预测，在同一测试数据集中，FVC%、FEV1%和FEV1/FVC的准确率分别为89.6%（2720名参与者中的2436名；95%CI：88.4，90.7）、85.9%（2720名参与者中的2337名；95%CI：84.6，87.2）和90.2%（2720名参与者中的2453名；95%CI：89.1，91.3）。敏感度分别为61.6%（393名参与者中的242名；95%CI：59.7，63.4）、46.9%（482名参与者中的226名；95%CI：45.0，48.8）和36.1%（252名参与者中的91名；95%CI：34.3，37.9）。

 图 (A, B）梯度加权类激活图（Grad-CAM）的平均强度可视化了肺功能测试值的模型预测的突出区域。选择轴位和冠状位来显示每个Grad-CAM热图的显著特征，这些热图来自FVC预测模型（A）和FEV1预测模型（B）。红色表示在估计较高的FVC和FEV1值时的高度相关性

本项研究表明，应用于容积式胸部CT的深度学习模型在预测肺功能方面的性能相对较好。 

原始出处：

Hyunjung Park,Jihye Yun,Sang Min Lee,et al.Deep Learning-based Approach to Predict Pulmonary Function at Chest CT.DOI:10.1148/radiol.221488