Radiology：深度学习帮你在CT上进行肺气肿分级

背景

肺气肿CT分级主要由人工参考Fleischner学会系统评分进行评价，其与生理学功能障碍和死亡风险具有相关性。

目的

本研究旨在验证通过深度学习方法进行的基于患者水平的肺气肿分级能够预测肺功能障碍和死亡风险。

材料与方法

本回顾性研究纳入了含有基线CT、人工肺气肿评分、生存数据的患者。受试者被分为训练组、验证组和测试组。参照Fleischner标准，利用卷积神经网络和长期短期记忆构架建立的深度学习算法进行肺气肿类型分类。比较深度学习评分与人工肺气肿评分以及报刊肺功能在内的临床指标。利用COX比例风险危害模型评估肺气肿评分与预后的相关性。利用来自COPD评价项目1962例患者的CT和临床数据进行测试该算法。

结果

共对7143例COPDGene项目的患者进行了评价。单变量分析显示深度学习肺气肿分级与肺功能检查功能障碍、6分钟步行距离和St George呼吸问卷具有相关性（均P < .001）。在对ECLIPSE人群的测试中显示具有相同的相关性 (P < .001)。在COPDGene测试人群中，深度学习肺气肿分级能够较人工肺气肿评分提高预测临床指标的线性混合模型的拟合度(P < .001)。与无肺气肿患者相比，通过深度学习肺气肿评价方法评估的各个级别中肺气肿患者的死亡率均较高(极轻度、轻度、混合、重度肺气肿的调整后HR分别为1.5、1.7、2.9、5.3和9.7; P < .05)。

结论

本研究表明胸部CT深度学习肺气肿自动Fleischner分级与肺功能障碍和死亡风险具有相关性。

原始出处：

Humphries SM, Notary AM, Centeno JP. Et al. Deep Learning Enables Automatic Classification of Emphysema Pattern at CT.DOI:10.1148/radiol.2019191022