European Radiology:深度学习重建对CT检查中辐射剂量减少和癌症风险的影响

在当今的医疗实践中，CT是准确诊断不可或缺的工具，但比其他方式（如x线平片）涉及更高的辐射剂量。虽然低剂量辐射暴露对癌症发病率风险的证据不足，但一些研究表明，即使剂量低于100 mGy，癌症发病率也会增加[，最近的大规模随访研究表明，暴露于CT可能导致不可忽略的辐射诱发癌症。因此，希望在不影响诊断性能的情况下保持暴露剂量尽可能低。

由于CT图像质量和辐射剂量之间存在权衡，改进的图像重建技术提高图像质量也可能导致剂量降低。

深度学习重建（DLR）是一种基于深度学习方法的图像质量改进技术，有报道称，与滤波后投影（FBP）或迭代重建（IR）相比，DLR在各种CT检查中可以在较低剂量下产生高质量的图像。因此可以预期，在临床实践中实施DLR将导致辐射暴露剂量和辐射致癌风险的降低。虽然DLR在降低辐射剂量方面的有效性是确定的，但其在降低癌症风险方面的效用因基线风险水平而异。以前的报告通过计算IR引入时的终身归因风险（LAR）来研究CT暴露导致的癌症风险降低。然而，迄今为止，很少有研究以类似的方式审查实施DLR对减少辐射引起的癌症的影响。

最近，发表在European Radiology 上的一篇文章利用真实的临床数据，评估深度学习重建（DLR）的实施可以在多大程度上降低CT检查中辐射诱发癌症的风险。

本项回顾性分析了与DLR实施相关的两个阶段的成年患者的扫描数据：使用混合迭代重建的12个月DLR前阶段（n = 5553）和使用常规CT重建过渡到DLR的12个月DLR后阶段（n = 5494）。为了确保两组之间的可比性，研究采用基于年龄、性别和体重指数的1:1匹配倾向评分。收集剂量数据以估计器官特异性等效剂量和总有效剂量。研究评估了DLR实施后的平均剂量减少量，并估计了DLR实施前后每次CT检查的癌症终身归因风险（LAR）。还估计了实施DLR前后辐射诱发癌症的数量。

经倾向评分匹配后，两组共5247例纳入最终分析。DLR后，全身有效CT总剂量从DLR前的28.1±14.0 mSv显著降低至15.5±10.3 mSv (p < 0.001)，降低了45%。这一剂量的减少显著降低了辐射引起的癌症风险，特别是在年轻女性中，估计的年癌症发病率从DLR前的0.247%降至DLR后的0.130%。

图 在男性组(a)和女性组(b)实施DLR后各年龄组平均LAR的变化

研究显示，与迭代重建相比，DLR的实施有可能使辐射剂量降低45%，辐射致癌风险从0.247降低到0.130%。

原文出处：

Naoki Kobayashi,Takeshi Nakaura,Naofumi Yoshida,et al.Impact of deep learning reconstruction on radiation dose reduction and cancer risk in CT examinations: a real-world clinical analysis.DOI:10.1007/s00330-024-11212-6