2018年9月柳叶刀杂志 深度学习技术解决肺炎分类检测问题 高分辨率CT扫描图 病例队列研究 翻译

---

Deep learning for classifying fibrotic lung disease on high-resolutino computed tomography: a case-cohort study

---

---

深度学习 分类 肺炎 高分辨率 CT扫描图 病例队列研究

---

第一作者： Simon L F Walsh

Summary
1 背景: 高分辨率CT图在肺炎诊断中很重要。这篇文章是基于美欧日拉美的指南标准做的。

2 办法：原始数据来自两家医院共1157例脱敏数据，划分为训练集929 例验证集89和测试集A139，以及额外B150例 。每个序列先被分割然后重采样，制造最多500个独立的4片层组合体，组合体再被转成图片蒙太奇（？）。然后参与算法训练。评价指标包括1. accuracy， 2， prognostic accuracy， 3，weighted k coefficient （kw） of interobserver agreement，以及91位专家手动评测，然后根据专家的标签重新分类CT数据，再重新训练并在75例肺病CT数据上测试，然后再和另外4位专家比较。

3 发现：算法精度：测试集A为76.4% ，其中92.7%的结果属于一个类别。在测试集B为73.3%，其中93.3%属于一类。这个结果（测试集B）超过66%人类专家，91名人类专家的平均准确度为70.7%。算法测试150例图片蒙太奇4层组合体一共耗时2分31秒。

4 意义：使用深度学习高分辨率CT图像算法可以提供低成本、高可复制性、瞬时的肺部疾病筛查，效果可以达到人类专家水平。这对医疗资源不足的地方是好事。也有利于对临床实验的患者进行分层。

• 介绍
  根据国际诊断指南，高分辨率CT在纤维化诊断中起着核心作用。肺部疾病和高分辨率CT表现对后续工作有重大影响。在正确的临床背景下，高分辨率的CT表现为间质性肺炎，诊断为特发性肺纤维化，可在没有手术肺的情况下进行活检。 2018年，弗莱什纳学会发表声明，在不断增长的基础上扩展了此建议证据，包括其高分辨率CT表现符合所谓的疑似正常间质性的患者肺炎标准。然而，尽管有这两个指南声明，纤维化的放射学评估肺部疾病仍然具有挑战性，容易患上观察者之间存在很大的差异，即使经验丰富的放射科医生。这种挑战可能会延迟准确的诊断，使患者无法进行必要的检查，并浪费医疗资源。鉴于这些困难，基于计算机的软件为纤维化影像学提供决策支持肺部疾病将具有巨大的价值，尤其是在拥有足够胸腔成像专业知识的中心。深度学习是机器学习的一部分，在几个医学图像上得了令人印象深刻的结果分类任务，包括对糖尿病进行分级视网膜病变，皮肤病变评估和预测在慢性阻塞性肺疾病中的死亡率。在这项研究中，我们使用深度学习来训练算法对来自以下患者的高分辨率CT扫描进行分类。根据2011年美国人的肺纤维化疾病胸腔学会（ATS）/欧洲呼吸学会（ERS）/日本呼吸学会（JRS）/拉丁美洲胸腔协会（ALAT）常规间隙的标准肺炎模式与2018年Fleischner学会高分辨率CT常规间质性肺炎的标准，我们比较了算法与91例专业胸腔放射科医生的诊断性能。

办法

2.1 数据
在本案例研究中，用于算法开发和测试，包含1157个匿名高分辨率的数据库CT扫描弥漫性纤维化肺的数据。该疾病是由两个三级转诊中心产生的间质性肺疾病（意大利帕尔马大学）。每个高分辨率CT包含弥漫性纤维化肺部疾病的数据。至少由两名胸腔放射科医生（具有10年经验，具有8年经验，以及具有14年工作经验）。高分辨率CT原为使用不同的方法在几种不同的CT扫描仪类型上完成仰卧位患者的治疗方案。我们排除了五次高分辨率CT扫描，因为它们增强了对比度。然后将每个高分辨率CT图像按一个进行分类胸腔放射科医生（SLFW）遇到常规间质性肺炎，疑似普通间质性肺炎或与常规间质性肺炎标准不一致，基于2011 ATS / ERS ​​/ JRS / ALAT高分辨率常规间质性肺炎的CT标准，我们将数据集分为三个独立的非重叠队列：一个用于算法（训练集，n = 929），用于开发过程中的超参数优化（验证队列，n = 89），算法测试的超参数优化（测试）设置A，n = 139；图1）。这项研究得到了La Fondazione Policlinico机构审查委员会Universitario A Gemelli IRCCS（意大利罗马）和帕尔马大学（意大利帕尔马）支持。