胸部X线片是最常用的影像学检查之一。多项研究表明，当对基线胸部X线片进行重新检查时，高达90％的“遗漏”肺癌结节可以被发现，且显示肿块的大小已经增大。肺癌的误诊可能包含多种原因，包括大小、密度和位置等病变特征使得在胸部X线片上检测肺结节更具挑战性。

为了提高胸部X线片对结节检测的效能，临床上已经开发并评估了计算机辅助检测（CAD）软件以协助放射科医生对肺结节的检测及判读。然而，由于CAD软件不能充分地区分真阳性和假阳性病变，因此癌症的检出率没有实质性的提高。最近，多项研究通过机器学习方法实现了图像分类的改进，其中包括深度卷积神经网络（DCNN）。

近日，发表在Radiology杂志的一项研究在多中心环境下，比较了放射科医生在基于深度学习的DCNN软件辅助、单独放射科医生或单独使用DCNN软件下在胸部X线片上检测恶性肺结节的性能，为临床提高胸部X线片的肺癌检出率并提高患者预后提供了强有力的影像学辅助手段。

4个医疗中心的研究人员回顾性评估了600张包含肺癌的胸部X线片和200张正常的胸部X线片。每个包含肺癌的胸部X线片至少有一个恶性结节经CT和病理检查证实。来自四个中心的12名放射科医生对胸部X线片进行了独立分析并标出感兴趣区域。商用的基于深度学习的计算机辅助检测软件分别训练、测试和验证了19330张胸部X线片以用于可疑结节的检测。在DCNN软件的辅助下，放射科医生对图像进行了复查。采用logistic回归和泊松回归分析单独使用DCNN软件、单独放射科医师以及放射科医师使用DCNN软件的敏感性和假阳性结果数量。

当放射科医师使用DCNN软件对图像进行重新判读时，放射科医师的平均敏感性有所提高(从65.1% [1375/2112;95%置信区间{CI}: 62.0%，68.1%]到70.3% [1484/2112;95% CI: 67.2%，73.1%]，P < .001)，同时每张胸部x线片的假阳性发现数量下降(从0.2[488/2400;95% CI: 0.18, 0.22]至0.18 [422/2400;95% CI: 0.16, 0.2]，P < .001)。在这项研究中的12名放射医师中，2400张中有104张在使用DCNN后结果变为阳性(从假阴性变为真阳性或从假阳性变为真阴性)，而2400张中有56张结果变为阴性。

图1 62岁男性，原发性肺腺癌。(a, b)后前位(PA)数字胸部X线片。(a)在没有深度卷积神经网络(DCNN)软件协助的情况下，三位阅读者(读者10,11,12)将此图像解读为正常的胸片。(b)根据DCNN的辅助下(虚线圈)，所有阅读者都识别出一个真正的结节(黄圈)。(c)当天的轴位CT图像显示右肺上叶尖段一个25毫米的实性肿物(箭头)。

本项多中心研究发现，在检测恶性肺结节方面，商用的基于深度卷积神经网络(DCNN)的算法达到了与12名放射科医生相当的诊断性能。本研究表明，DCNN是减少胸部X线片检查假阳性结节发现数量的一种有效的解决方案，并可减少放射科医生的工作负担。

原文出处：

Yongsik Sim,Myung Jin Chung,Elmar Kotter,et al.Deep Convolutional Neural Network-based Software Improves Radiologist Detection of Malignant Lung Nodules on Chest Radiographs.DOI:10.1148/radiol.2019182465