Radiology：深度学习帮你看胸片

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