Radiology：可检测肺气肿、气胸和胸腔积液的商用胸片AI工具

胸部x光片是种常见的诊断工具，但正确判析图像需要大量的训练和经验。近几年来，基于卷积神经网络的图像辅助检索技术在图像辅助任务中得到了广泛的应用。由于胸片在临床决策中的广泛应用以及大规模训练数据集的公开可用性，许多研究已经调查了基于深度学习的人工智能模型在胸片分析中执行各种任务的能力。

现阶段，商业上可用的人工智能(AI)工具可以帮助放射科医生解读胸部x光片，但其在现实生活中的诊断准确性尚不清楚。

近日，发表在European Radiology杂志的一项研究评价了四种市售人工智能工具在胸片上检测肺气肿、气胸和胸腔积液的诊断准确性。

本回顾性研究纳入了于2020年1月在丹麦四家医院之一接受胸部x线检查的连续成年患者。两名胸科放射科医生(或三名，在意见不一致的情况下)，他们可以独立获得所有以前和未来的胸片成像标签，作为参考标准。计算受试者工作特征曲线下面积、灵敏度和特异性。敏感度和特异性根据发现的严重程度、胸片上发现的数量和x线片投影进行分层。采用χ2和McNemar检验进行比较。

数据集包括2040例患者(中位年龄72岁[IQR, 58-81岁];女性1033例)，其中669例(32.8%)有目标结果。人工智能工具显示接受者工作特征曲线下的面积范围为:肺气肿0.83-0.88，气胸0.89-0.97，胸腔积液0.94-0.97。敏感度范围为:肺气肿72%-91%，气胸63%-90%，胸腔积液62%-95%。所有目标结果的阴性预测值为92%-100%。在肺气肿、气胸和胸腔积液中，有正常或单一表现的胸片特异性较高(范围分别为85%-96%、99%-100%和95%-100%)，而有四种或以上表现的胸片特异性较低(范围分别为27%-69%、96%-99%、65%-92%)(P < 0.001)。相对于较大的发现(范围，81%-100%;P值范围，>0.99至< 0.001)。

 表 AI工具的性能与相应的影像学报告靶点结果的比较

本项研究表明，当代人工智能工具对胸片上的肺气肿、气胸和胸腔积液具有中高灵敏度。然而，与影像学报告相比，人工智能工具产生了更多的假阳性结果，并且在较小的目标发现和存在多个发现时的表现有所下降。 

原文出处：

Louis Lind Plesner,Felix C Müller,Mathias W Brejnebøl,et al.Commercially Available Chest Radiograph AI Tools for Detecting Airspace Disease, Pneumothorax, and Pleural Effusion.DOI:10.1148/radiol.231236