|
胸片，估计大家都见过。站在机子前，操作室的门一关一开，不少肺部和心血管的问题就从片子上显现出来了，方便便宜，辐射剂量也很低。 不过，由于胸片中不同结构的影像重叠在一起，再加上成像并不十分清晰，一些较小的病灶难以发现，限制了胸片的使用。比如在肺癌的筛查中，低剂量螺旋CT相比胸片筛查，就能减少20%的肺癌死亡[1]。 但其实，胸片中的信息还有很大的挖掘空间。近日，哈佛大学的Michael Lu和Udo Hoffmann等，使用深度学习技术对胸片进行了研究，在两个不同的数据集中预测了参与者们6年和12年内的死亡风险，风险最高的组别的死亡风险分别达到了最低组的15.2倍和18.3倍。相关研究发表在JAMA Network Open上[2]。 这是第一个使用深度学习，通过胸部x线片预测长期预后的研究！ （来自radiologyinfo.org） 胸片可以说是最为常见的影像学检查了[3]，中间一条脊柱，两边好几对肋骨，成为了不少人对x光片最初的印象。按美国医保统计，每1000位患者，一年内要拍1039张胸片[4]，平均每人都拍了一张多点。 在这些胸片中，大多数只是为了排除下肺炎等特定疾病，算是正常胸片。但说是正常，也难免有一点点小异常，像什么主动脉上的小钙化斑[5]，或者略微扩张的心脏[6]。这些细微的异常，现在或许没什么临床意义，但毕竟影像医生能看的只是这一张片子，如果能结合上患者多年后的情况，或许可以挖掘出胸片里更多的信息，预测出患者多年后的死亡率。 正好，现在有了深度学习技术，只要有大量的数据，就可以让程序自己去学习读片，给出我们需要的信息。像肺炎这种比较简单常见的疾病，已经有了诊断用的深度学习模型[7]。 （来自cdimiami.com） 研究人员获取了PLCO试验中52320人的数据，其中既有吸烟者也有不吸烟者，年龄从55~74岁不等，使用其中80%参与者的数据训练机器学习模型CXR-risk。而剩余20%，以及另一项NLST研究中5493名重度吸烟者的数据，被用来检测训练成果。 同时，研究人员还通过这些参与者的自我报告，获得了他们的年龄、性别、吸烟状况、糖尿病、高血压、BMI，以及心梗、中风和癌症病史等基线风险因素信息。 而这些参与者的胸片中，放射科的医生也发现了肺结节、肺不张、肺纤维化和心脏肥大等等问题。 （来自pixabay.com） 在用来检验成果的10464名PLCO参与者中，51.6%是男性，平均年龄62.4岁，中位随访12.2年。在共117619人年的随访记录中，有1402人死亡，全因死亡率13.4%。 根据CXR-risk评分，研究人员将这些参与者分为极低风险、低风险、中风险、高风险和极高风险五组。这五组在随访中的死亡率分别为3.8%、7.8%、12.7%、24.9%和53.0%。风险最高和最低的组间，死亡风险足足差了17.3倍！ 死亡率和CXR-risk评分分组间显著相关 相比之下，患有糖尿病的参与者和胸片中被发现有肺结节的参与者，死亡风险也分别只是提高了1.7倍和0.5倍。 在排除了基线风险因素和各种胸片诊断的影响后，CXR-risk评分依然与死亡风险有着显著的关联。极高危组的参与者死亡风险还是比极低危组的高了3.8倍。 其中基线时身体健康，没有心梗、中风和癌症病史的参与者，死亡风险也仍跟CXR-risk评分显著相关。相比极低危组的参与者，低危组、中危组、高危组和极高危组的死亡风险分别高了0.5倍、0.7倍、1.6倍和3.8倍。 排除基线风险和胸片诊断前后各组的死亡风险 进一步分析显示，在排除了基线风险因素和放射科医生的诊断后，最高危组参与者因肺癌、心血管系统疾病和呼吸系统疾病的死亡风险，依然分别比最低危组高了10.1倍、2.6倍和26.5倍。 而在全身重度吸烟者的NLST参与者中，CXR-risk评分的表现也同样出色，中位6.3年的随访中，极高危组参与者的死亡风险比极低危组高了14.2倍，排除基线风险因素和胸片诊断的影响后依然要高6.0倍，其中肺癌、心血管系统疾病和呼吸系统疾病的死亡风险分别高了7.4倍、46.8倍和30.9倍。 论文第一作者Lu认为，如果把基因和吸烟状况等其他风险因素结合起来，这项新工具将会更加准确。早期发现有风险的病人可以更多地参与预防和治疗项目。他表示：“这是一种从日常诊断测试中提取预后信息的新方法，这些本就存在但没被利用的信息，可以帮助我们改善公众健康。” 编辑神叨叨 如果想及时获取第一手科研资讯，那你绝对不能错过瞬息~而瞬息又推出了全新版块——瞬间。瞬间可以给大家提供更多： 只要有那么一瞬间，有一百万种可能。点击瞬间图片，分享你此刻的医学时光吧，朋友们！ 参考文献： 1. NANAVATY P, ALVAREZ M S, ALBERTS W M. Lung cancer screening: advantages, controversies, and applications[J]. Cancer Control, 2014, 21(1): 9-14. 2. LU M T, IVANOV A, MAYRHOFER T, et al. Deep Learning to Assess Long-term Mortality From Chest Radiographs[J]. JAMA Netw Open, 2019, 2(7): e197416. 3. Ron E. Cancer risks from medical radiation[J]. Health physics, 2003, 85(1): 47-59. 4. Rosman D A, Duszak Jr R, Wang W, et al. Changing Utilization of Noninvasive Diagnostic Imaging Over 2 Decades: An Examination Family–Focused Analysis of Medicare Claims Using the Neiman Imaging Types of Service Categorization System[J]. American Journal of Roentgenology, 2018, 210(2): 364-368. 5. Bell M F, Jernigan T P, Schaaf R S. Prognostic significance of calcification of the aortic knob visualized radiographically[J]. American Journal of Cardiology, 1964, 13(5): 640-644. 6. Cohn J N, Johnson G R, Shabetai R, et al. Ejection fraction, peak exercise oxygen consumption, cardiothoracic ratio, ventricular arrhythmias, and plasma norepinephrine as determinants of prognosis in heart failure. The V-HeFT VA Cooperative Studies Group[J]. Circulation, 1993, 87(6 Suppl): VI5-16. 7. Kermany D S, Goldbaum M, Cai W, et al. Identifying medical diagnoses and treatable diseases by image-based deep learning[J]. Cell, 2018, 172(5): 1122-1131. e9.Oken M M, Hocking W G, Kvale P A, et al. Screening by chest radiograph and lung cancer mortality: the Prostate, Lung, Colorectal, and Ovarian (PLCO) randomized trial[J]. Jama, 2011, 306(17): 1865-1873. 头图来自radiologyinfo.org 本文作者 | 孔劭凡 |
|
|
