Radiology：深度学习在PTNB后气胸检测上的应用

经皮经胸针头活检（PTNB）是一种广泛用于诊断肺部病变的方法，其诊断准确率已被报道为高达90%-99%，是一种相对安全的微创手术。PTNB最常见的并发症是气胸，发生率阅16.2%-38.4%。大多数的气胸可以保守处理；然而，少数的病例（2.1%-15%）需要导管引流以防止呼吸衰竭。因此，早期发现气胸对病人的护理很重要。

胸部X光检查是诊断PTNB相关气胸的推荐影像技术。然而，在临床实践中，由于工作量过大，并不总是能够及时和准确地解读X光片，导致气胸的诊断延迟。最近的一项研究显示，在回顾性收集的连续诊断队列中，深度学习算法能恰当地识别PTNB后的气胸，其敏感性为70.5%，特异性为97.7%。然而，在现临床实践中，验证深度学习算法以提高诊断性能的方法以前还没有建立。深度学习方法的临床应用仍然是其临床有效性和可靠性方面的最重要挑战之一。

近日，发表在Radiology杂志的一项研究探讨了在临床实践中，基于深度学习的计算机辅助检测（CAD）系统诊断PTNB后胸片上气胸的检测性能。

本研究于2020年2月在本机构实施了用于PTNB后气胸检测的CAD系统。本项研究连续纳入了在CAD辅助下判析的胸片（应用CAD组；2020年2月至2020年11月）和实施前判析的胸片（非CAD组；2018年1月至2020年1月）。参考标准由两位放射科医生的共识阅读来定义。使用广义估计方程对两组的气胸诊断准确性进行了比较。

本研究共纳入了应用CAD组的655名患者（平均年龄：67岁±11岁；390名男性）和非CAD组的664名患者（平均年龄：66岁±12岁；400名男性）的676张X线片。应用CAD组的气胸发生率为18.2%（676张X光片中的123张），非CAD组为22.5%（676张X光片中的152张）（P = .05）。与非CAD组相比，应用CAD组显示出更高的敏感性（85.4% vs 67.1%）、阴性预测值（96.8% vs 91.3%）和准确性（96.8% vs 92.3%）（所有P < .001）。应用CAD的组别对少量气胸的敏感性有所提高（气胸<10%。74.5% vs 51.4%, P = 0.009; 10%-15%的气胸。92.7% vs 70.2%，P = .008）。在气胸患者中，非CAD组的655人中有34人（5.0%）和应用CAD组的664人中有16人（2.4%）（P=0.009）需要接受胸腔引流术以缓解气胸症状。

图 68岁男性，因右肺上叶结节而行PTNB。 (A) 原始图像显示右下胸膜的小范围气胸（箭头）。(B) 人工智能算法的附加图像与热图叠加，突出了结节和气胸的位置

本研究表明，在临床实践中实施基于深度学习的计算机辅助检测（CAD）系统，可提高经皮经胸穿刺活检术后胸片检测气胸的敏感性、阴性预测值和准确性。本研究认为，CAD系统可以帮助提高接受肺部活检患者的安全性，且可以用来及时发现和及时任何原因引起的气胸。

原文出处：

Wonju Hong,Eui Jin Hwang,Jong Hyuk Lee,et al.Deep Learning for Detecting Pneumothorax on Chest Radiographs after Needle Biopsy: Clinical Implementation.DOI:10.1148/radiol.211706