Radiology：深度学习，实现胸片的特发性肺纤维化患者的生存预测

定量成像定义为从医学图像中提取可量化的特征，用于评估正常结果或疾病、损伤或慢性病的严重程度、变化程度或状态。通过众多专家的努力，临床上已经引入了一些定量的影像标志物，如冠状动脉钙化评分、肝脏质子密度脂肪分数测量和骨密度测量。

现阶段，胸部X光检查是全球最常进行的影像学检查。胸部X光片的广泛使用产生了大量的信息，但很少进行量化处理。肺部尺寸（如面积或体积）是一种容易从胸片中提取的定量特征。因为肺容量的减少是限制性肺部疾病的标志，利用胸片估计的总肺容量（TLC）可以作为数字筛查测试或监测有呼吸道症状和/或体征的患者的工具。事实上，利用胸片进行TLC量化已有很长的历史。然而，早期的研究是基于平面测量技术或人工测量来估计TLC，这很费力和费时，因此阻碍了在临床实践中的实施。在这种情况下，基于深度学习的端到端系统将是一种解决方案，可以实现全自动测量并部署在放射科工作流程中。

近日，发表在Radiology杂志的一项研究开发了一个基于深度学习的多维模型，该模型能够从胸片和人口统计学变量中评估TLC，并通过使用多中心回顾性数据集验证其技术性能和临床效用。

本项研究利用2015年1月至2017年6月期间进行的50000次连续胸部CT扫描，对一个深度学习模型进行了预训练。该模型在3523对来自同一天接受肺功能测试的连续患者的后正位胸片和胸透TLC测量值上进行了微调。该模型用两个三级护理中心和一个社区医院的多中心回顾性数据集进行了测试，包括(a)外部测试集1（n = 207）和外部测试集2（n = 216）的技术性能和(b)特发性肺纤维化患者（n = 217）的临床效用。技术性能是用各种协议措施来评估的，而临床效用是用多变量Cox回归来评估总生存率的预后价值。

在外部测试组1（161名男性；中位年龄，70岁[IQR：61-76岁]）和外部测试组2（113名男性；中位年龄，63岁[IQR：51-70岁]）中，观察和估计TLC之间的平均绝对差异和主体内SD分别为0.69L和0.73L。 在特发性肺纤维化患者中（145名男性；中位年龄，67岁[IQR：61-73岁]），更大的估计TLC百分比与较低的死亡风险有关（调整后的危险比，0.97%；95%CI：0.95，0.98；P＜0.001）。

图 特发性肺纤维化患者的Kaplan-Meier总生存曲线，按估计的总肺活量（TLC）百分比的四分位数分层。使用估计的TLC百分比定义风险类别如下：大于81.8%，风险很低；小于或等于81.8%和大于71.4%，风险低；小于或等于71.4%和大于63.7%，风险中等；小于或等于63.7%，风险高。这些风险类别与总生存率显示出分级的相关性

本项研究表明，研究所提出的基于深度学习的模型能够通过使用年龄、性别和正面胸片来评估总肺活量（TLC）。在调整了临床风险因素和肺功能测试结果后，评估的TLC与特发性肺纤维化患者的总生存率具有相关性。

原文出处：

Hyungjin Kim,Kwang Nam Jin,Seung-Jin Yooet al.Deep Learning for Estimating Lung Capacity on Chest Radiographs Predicts Survival in Idiopathic Pulmonary Fibrosis.DOI:10.1148/radiol.220292