Investigative Radiology：使用机器学习实现胸腔积液的自动检测和分类

现阶段，计算机辅助量化和诊断系统已在胸部放射学中广泛使用，各种病变可以在胸部X光片和计算机断层扫描（CT）上自动检测、分割和分类。与x线检查相比，CT可以提供准确的胸腔积液定量评估；然而，在放射学报告中，积液通常只是定性描述，因为人工划线十分耗时。基于传统的图像处理或图谱分割的自动量化方法性能一般，没有包括无渗出的对照组且样本量十分限。

计算机断层扫描对于详细评估渗出亚型（即血胸、气肿、恶性渗出和气胸）和检测致病诊断尤为重要。其他胸膜复杂性特征，如高密度液体、胸膜增厚、气体和定位，可用来区分浆液性和这些更复杂的渗出亚型（现在分别称为简单和复杂渗出）。这种区分对病人的管理和预后评估具有重要价值，而机器学习模型也可用于CT指导下的计划和快速检测相关的围手术期气胸和血胸评估。

近日，发表在Investigative Radiology杂志的一项研究开发了一个机器学习模型，给模型可准确检测及分割胸腔积液，并可进一步将胸腔积液分为简单和复杂两种，为临床疾病的管理及早期治疗提供了技术支持。

为了进行检测和分割，本项研究从所有连续的患者（2016年1月-2021年1月，n=2659）中随机选择了160张胸部CT扫描图像，并对胸腔积液进行了评估。对渗出物进行了人工分割，并加入了160名没有渗出物的患者的胸部CT阴性队列。对深度卷积神经网络（nnU-Net）进行了训练和交叉验证（n=224；70%）以进行分割，并在一个单独的子集（n = 96；30%）上进行测试，该子集的报告胸膜复杂性特征的分布与训练队列相同（例如，超密度液体、气体、胸膜增厚和定位）。在另一个胸膜复杂性特征高发的连续队列中（n=335），实施了一个随机森林模型，以Hounsfield单位阈值、密度分布和基于放射组学的特征作为输入，对分割的渗出物进行分类，并使用检测/分类器评估的灵敏度、特异性和曲线下面积（AUC）（每例）以及分割任务的Dice系数和体积分析进行性能评估。 

检测渗出物的敏感性和特异性非常好，分别为0.99和0.98（n=96；AUC，0.996，测试数据）。无论大小、复杂程度或造影剂相位如何，分割都很稳健（Dice中位数，0.89；绝对体积差中位数，13毫升）。简单积液与复杂积液分类的敏感性、特异性和AUC分别为0.67、0.75和0.77。 

图 (A)轴位、(B)矢状位、(C)冠状位、(D)模型预测胸腔积液和肺部的等值面，一名54岁的女性患者。深绿色是充气良好的肺实质，而浅绿色是无气胸

本项研究利用具有不同复杂程度的数据集开发了一个用于检测、分割和分类胸腔积液亚型的稳健模型，为临床早期进行胸腔积液及检出及定性分类提供了技术支持。

原文出处：

Raphael Sexauer,Shan Yang,Thomas Weikert,et al.Automated Detection, Segmentation, and Classification of Pleural Effusion From Computed Tomography Scans Using Machine Learning.DOI:10.1097/RLI.0000000000000869