Radiology：深度学习，使肺气肿CT模式的自动分类成为可能

 据估计，美国有1200万成年人被诊断患有慢性阻塞性肺病(COPD)，另有1200万人被认为患有未确诊的COPD。现阶段，视觉和定量CT成像是评估COPD的首选影像学手段。

Fleischner协会提出了一种结构化的实质性肺气肿视觉分类系统，该系统使用6点顺序分级，将实质性肺气肿分为无、微量、轻度、中度、融合性或晚期破坏性。然而，该结构化评分系统使用较为复杂，主观性较强，因此在常规实践中很难完成。深度学习在一系列具有挑战性的图像分析任务中提供了巨大的进步。

近日，发表在Radiology杂志的一项研究探讨了在使用深度学习方法分类时，参与者水平的肺气肿胸部CT模式是否可以预测损伤和死亡率，为临床早期准确的进行肺气肿的诊断及分级提供了技术支持。

本研究回顾性分析了2007年至2011年期间纳入的COPD (COPDGene)研究参与者的遗传流行病学数据，包括截至2018年的基线CT、视觉肺气肿评分和生存数据。参与者被划分成不重叠的集合，2407个用于算法训练，100个用于验证和参数调整，7143个用于测试。采用卷积神经网络和长短时记忆结构的深度学习算法，根据Fleischner标准对肺气肿进行分类。将深度学习评分与视觉评分和包括肺功能测试在内的临床参数进行比较。Cox比例风险模型用于评估肺气肿评分和生存之间的关系。该算法也在1962年通过CT和临床数据进行了测试，参与者均参加了慢性阻塞性肺病纵向评估以确定预测替代终点(ECLIPSE)研究。

本研究对共7143名COPDGene参与者(平均年龄±标准差，59.8岁±8.9岁;3734名男性和3409名女性)进行了评估。在单因素分析中，深度学习型肺气肿分类与肺功能受损试验、6分钟步行距离和St George's呼吸问卷相关(P < .001)。在ECLIPSE队列中测试显示了类似的关联(P < .001)。在COPDGene测试队列中，与视觉评分相比，深度学习型肺气肿分类在预测这些临床参数时提高了线性混合模型的拟合度(P < .001)。与没有肺气肿的参与者相比，被深度学习算法分类为任何级别肺气肿的参与者的死亡率均更高(对于轻微、轻度、中度、融合性和晚期破坏性肺气肿，调整危险比分别为1.5、1.7、2.9、5.3和9.7;P < . 05)。

图 来自COPD (COPDGene)遗传流行病学检测队列的代表性CT图像。第一行:轴位平扫CT图像通过视觉评分和深度学习算法分为(a)轻微、(b)中度或(c)晚期破坏性肺气肿。下面一行:(d-f)热图显示与输入图像a-c对应的梯度加权分类激活图。红色表示每个输入图像的最大网络激活区域。彩色地图按比例显示每个输入图像至少有50%的最大激活的区域。

表1 采用深度学习肺气肿评分分层的ECLIPSE队列(n = 1962)中的死亡率、人口统计学和功能参数。

本研究开发了一种可以根据Fleischner Society标准在CT图像上对肺气肿模式进行自动客观分类的深度学习算法，该系统可以协助临床早期、准确地识别具有更高死亡风险的个体，且比视觉评估更加敏感。

原文出处：

Stephen M Humphries,Aleena M Notary,Juan Pablo Centeno,et al.Deep Learning Enables Automatic Classification of Emphysema Pattern at CT.DOI:10.1148/radiol.2019191022