Radiology：深度学习对胸片的自动评估及分类

胸部x线片经常用于患者监测，特别是那些患有慢性心肺疾病或症状恶化的患者，这可能导致患者纵向随访期间出现多幅图像。放射科医生在解释时经常比较当前和以前的胸片，以提高变化检测的敏感性，并为鉴别诊断提供信息。但是，这导致大量工作量并会延迟及时报告重要的调查结果。此外，与阅读单个胸片相比，系统地比较胸片会增加工作量。

确定图像的变化和无变化一直是计算机视觉中的一个主要课题，例如比较卫星在不同时间拍摄的同一位置图像的遥感。然而，与背景通常是稳定的遥感相比，同一患者的背景(即胸廓)根据姿势、吸气程度和疾病状态而变化，从而使两幅图像之间的自动比较具有挑战性。据我们所知，很少有研究试图检测连续x线片的变化。

近日，发表在Radiology杂志的一项研究开发并验证了一种利用胸廓配准和减法对纵向随访胸片的变化进行分析的深度学习算法，为临床进行快速及疾病筛查及分诊提供了技术支持。

本项研究回顾性研究了2011年1月至2018年12月在一家三级转诊医院进行的成人基线和随访胸片的深度学习算法。由两名胸科放射科医生随机选择了两组“变化”和“无变化”的图像，以确定基本事实，包括正常或异常状态。通过验证集和临时分离的内部测试集(2019年1月至2021年8月)中的受试者工作特征曲线下面积(AUC)分析来评估算法的性能。对测试集进行阈值校准，并评估40%和60%分类阈值的性能。

本研究共纳入329036例患者的3304996张胸片(平均年龄59岁±14岁;170433名男性患者)。训练集包括550779对x光片。验证集包括1620对(810对未更改，810对更改)。测试组包括533对(ED;无变化265对，变化268对)，600对(ICU;310没有变化，290变化)。该算法的AUC分别为0.77(验证)、0.80 (ED)和0.80 (ICU)。急诊和ICU的特异性分别为88.4%(268对中237对)和90.0%(290对中261对)，分诊阈值为40%。在60%的分类阈值下，ED和ICU的特异性分别为79.9%(268对中214对)和79.3%(290对中230对)。对于急症(实变、胸腔积液、气胸)，ED的特异性为78.6% ~ 100%，ICU的特异性为85.5% ~ 93.9%，分诊阈值为40%。

 表 ED时间分离内部测试集异常变化检测的性能研究

本项研究表明，深度学习算法可以对无变化胸片进行分析及分诊，同时可在纵向随访中发现紧急的变化以防止治疗延误。

原文出处：

Jihye Yun,Yura Ahn,Kyungjin Cho,et al.Deep Learning for Automated Triaging of Stable Chest Radiographs in a Follow-up Setting.DOI:10.1148/radiol.230606