European Radiology：用胸片检测房颤你听说过吗？

众所周知，胸部X线检查是常规临床工作中最简单、最常见的检查之一。胸部X线检查中最常见的心脏疾病发现是心脏扩大，这有助于心力衰竭的诊断。

尽管胸片检查对某些心脏疾病有参考价值，但心律失常仍然是放射科医生最难诊断的疾病之一。心房颤动（AF）是最常见的具有临床意义的心律失常，估计全球有超过3000万人受到影响。在过去的20年里，房颤的发病率稳步上升，构成了一个严重的公共卫生问题。

临床上，房颤通常是通过心电图来诊断的。然而，尽管有越来越多的诊断方法，仍有约13%的房颤病例仍未被及时诊断。若能从胸片上推断房颤的可能将有助于患者的及时治疗及护理。已知房颤的放射学检查结果包括心房扩大，但放射科医生很难仅从胸片上诊断出房颤。

深度学习可自动从目标数据中提取特征，是近年来备受关注的人工智能（AI）领域之一。理论上，具有足够深层的深度学习网络可以直接从数据中提取特征，而特征必须手动输入到传统的机器学习系统。因此，深度学习是对具有复杂甚至未知特征的对象进行分类和量化的理想选择。

近日，发表在European Radiology杂志的一项研究构建了一个基于人工智能的模型，首先确定胸片表明房颤的内在特征以及这些特征是否可以使用深度学习来诊断房颤，为临床扩宽了胸片的临床应用及房颤的临床诊断。

本项回顾性研究包括本机构2016年7月-2019年5月连续收集的进行超声心动图检查患者的胸片。符合条件的X线片是在超声心动图检查后30天内获得的。根据相关的电子病历，这些X线片被标记为房颤阳性或房颤阴性；然后，每个患者被随机分为训练、验证和测试数据集，比例为8：1：1。在训练数据集上训练一个基于深度学习的模型，将X线片分类为有无房颤，用验证数据集进行调整并用测试数据集进行评估。 

训练数据集包括11105张图像（5637名患者；3145名男性，平均年龄±标准差，68±14岁），验证数据集包括1388张图像（704名患者，397名男性，67±14岁），而测试数据集包括1375张图像（706名患者，395名男性，68±15岁）。将模型应用于验证和测试数据集，得到的曲线下面积分别为0.81（95%置信区间，0.78-0.85）和0.80（0.76-0.84），敏感性为0.76（0.70-0.81）和0.70（0.64-0.76），特异性为0.75（0.72-0.77）和0.74（0.72-0.77），精确度为0.75（0.72-0.77）和0.74（0.71-0.76）。

图 心房颤动的胸部X线片的代表性示例。一名79岁男子的胸片。(a-1)是Grad-CAM图像，(a-2)是引导式背传图像，(a-3)是Grad-CAM和引导式背传的复合图像。(a-4)是(a-3)在胸片上的叠加图像。在这个（a-4）图像中，红色、蓝色和黄色的镶嵌区域是模型的兴趣点，绿色区域是非兴趣点。兴趣最高的区域被确定为心脏阴影的左上方区域。(b) 所有真阳性图像叠加在一起的合成图像。最感兴趣的区域似乎是心脏阴影的左上方

本研究使用深度学习开发了一个可以检测胸片上房颤特征的人工智能模型，为放射科医生提供另一种识别房颤患者的影像学方法。

原文出处：

Toshimasa Matsumoto,Shoichi Ehara,Shannon L Walston,et al.Artificial intelligence-based detection of atrial fibrillation from chest radiographs.DOI:10.1007/s00330-022-08752-0.