Radiology:深度学习帮你看胸片

2020-05-22 shaosai MedSci原创

深度学习具有发挥胸片在临床应用中更大的潜能,但因其规范性、相关疾病差异和不同研究间比较困难而受限。

背景

深度学习具有发挥胸片在临床应用中更大的潜能,但因其规范性、相关疾病差异和不同研究间比较困难而受限。

目的

旨在利用放射医师修订的参考病灶来建立和评估胸片诊断的深度学习模型。

材料与方法

深度学习模型用来检测正位胸片中4种影像学表现(气胸、高密度影、结节或肿块和骨折)。本回顾性研究包含了两个数据集。数据集1(DS1)包含759611例图像,胸片14是一个喊喊112120例图像的数据集。进行自然语言处理和专家审阅进行对657954例训练图像进行标记。测试数据共包含分别来自DS1和胸片14的1818例和1962例图像。以放射科医师修订的图像审阅结果为参考标准。利用ROC曲线下面积、敏感性、特异性和阳性预测值评价诊断结果。由4名放射科医师审阅测试组图像进行结果比较。DS1采用逆概率加权对阳性胸片表现和估计基于人口的结果进行加权。

结果

在DS1中,对气胸、结节或肿块、沿气道高密度影和骨折的基于人口的ROC曲线下面积分别为0.95 (95% CI: 0.91, 0.99), 0.72 (95% CI: 0.66, 0.77), 0.91 (95% CI: 0.88, 0.93), and 0.86 (95% CI: 0.79, 0.92)。在胸片14中, 对气胸、结节或肿块、沿气道高密度影和骨折的基于人口的ROC曲线下面积分别为0.94 (95% CI: 0.93, 0.96), 0.91 (95% CI: 0.89, 0.93), 0.94 (95% CI: 0.93, 0.95), and 0.81 (95% CI: 0.75, 0.86)。

结论

本研究通过利用修订参考标准和基于人口诊断结果评估监理了基于专家水平的深度学习模型来检出胸片中临床相关阳性征象。

原始出处:

Majkowska A, Mittal S, Steiner DF. Et al.Chest Radiograph Interpretation with Deep Learning Models: Assessment with Radiologist-adjudicated Reference Standards and Population-adjusted Evaluation.DOI:10.1148/radiol.2019191293

本文系梅斯医学(MedSci)原创编译整理,转载需授权!

相关资讯

J Endod:X线影像可用来检测根周松质骨损伤

这篇研究的目的是为了评估根尖周数字X线影像是否能够检测到发生在骨松质中的天然尖周损伤以及损伤大小是否会影响损伤的检测。

NEJM:MRI用于高乳腺组织密度人群乳腺癌的辅助筛查

研究认为,对乳腺组织密度极高的妇女在X线检查基础上进行MRI辅助筛查可显著较低筛查间隔期乳腺癌发病率

X线片如何诊断直背综合症

直背综合征(Straight back syndrome,SBS)是指胸椎正常生理性后凸消失,使胸前后径缩短,胸腔有效容积减小,纵膈内容受到挤压,从而产生心脏和大血管受压、移位等一系列改变。

Radiology:做介入受的剂量危害还大不大?

本研究旨在分析放射剂量检测和行X线下血管介入手术患者随访8年的临床影响。

胸部X线这么看,简单多了!

常言道:基础不牢、地动山摇。掌握胸部X线的阅片能力是对临床医生的一项基本要求。今天,我们和大家一起复习评估一张胸部平片的最基本要点。严格按照下述步骤阅片,可有效减少胸部疾病的漏诊发生率。

Clin Oral Investig:亮度和对比变化对口内数字X线片根吸收检测灵敏度的影响

这篇研究的目的是通过X线照相术检测模拟牙根内(IRR)和外(ERR)吸收的准确性评估不同亮度和对比变化对根尖周X线片的影响。另外,也评估影像质量对观察者诊断的影响。