Radiology：深度学习算法在胸部CT肺间质性疾病诊断中的应用

间质性肺病(ILD)包括一大部分异质性肺部疾病，该类疾病在临床表现和肺部影像学表现模式上有一定重叠。高分辨率CT是诊断ILD的首选影像学手段。然而，在CT上对ILD进行影像学评估需要较多经验和专业知识，即使在有经验的放射科医生之间也存在很大的差异。

最近，深度学习技术已被广泛应用于临床各个学科。基于内容的图像检索（CBIR）是一个强大的图像搜索引擎，具有分类、索引和从数据库中检索图像等多个功能。当应用CBIR进行ILD诊断时，在CT上对ILD的区域疾病模式的自动量化和分类可以整合到查询图像和数据库中的图像之间的相似度测量中，这将有助于提高放射科医生或临床医生的诊断准确性。然而，很少有研究使用CBIR作为解释ILD CT图像的诊断辅助工具。

近日，发表在Radiology杂志的一项研究开发了一个结合了基于深度学习的ILD CT图像的模式分类的自动化CBIR，并进一步探讨了所提出CBIR系统是否能够协助具有不同经验水平的阅读者进行ILD的诊断，为ILD的快速、准确且客观的诊断提供了强有力的技术支持。

本项回顾性研究纳入了2000年1月至2015年12月期间确定的经多学科讨论的、具有可用CT图像的ILD患者。数据库由四个疾病类别组成：普通间质性肺炎（UIP）、非特异性间质性肺炎（NSIP）、隐源性组织性肺炎和慢性超敏性肺炎。从数据库中选择了80名患者作为评估对象。拟议的CBIR通过比较深度学习算法量化的不同区域疾病模式的程度和分布，从数据库中检索出带有诊断的前三名类似CT图像。在应用CBIR之前和之后，八位具有不同经验的阅读者在相隔两周的两次阅读会议上对查询的CT图像进行判析，并提供了他们最可能的诊断。使用McNemar检验和广义估计方程分析了诊断准确性，使用Fleiss κ分析了阅读者之间的一致性。

共纳入288名患者（平均年龄，58岁±11[标准差]；145名女性）。应用CBIR后，所有读者的总体诊断准确性都有所提高（CBIR前，46.1% [95% CI: 37.1, 55.3]；CBIR后，60.9% [95% CI: 51.8, 69.3]；P < .001）。就疾病类别而言，应用CBIR后，UIP（CBIR前与CBIR后，分别为52.4%与72.8%；P < .001）和NSIP病例（CBIR前与CBIR后，分别为42.9%与61.6%；P < .001）的诊断准确性得到提高。CBIR后，阅读者之间的一致性有所提高（CBIR前与CBIR后Fleiss κ，分别为0.32 vs 0.47；P = .005）。

图 CBIR系统的用户界面。CBIR系统根据测量的相似度检索出三张相似的CT图像，并展示了带有确诊的检索结果（黄框）。拟议的CBIR系统的用户界面逐一并排显示查询的CT和检索的图像，以便于比较。

总之，本研究所提出的基于内容的胸部CT图像检索系统通过使用深度学习可以提高间质性肺病（ILD）的诊断准确性和不同经验水平的阅读者之间的一致性。该系统可望为缺乏胸部影像专业知识或ILD病例稀少的中心提供影像学判析支持。

原文出处：

Jooae Choe,Hye Jeon Hwang,Joon Beom Seo,et al.Content-based Image Retrieval by Using Deep Learning for Interstitial Lung Disease Diagnosis with Chest CT.DOI:10.1148/radiol.2021204164