胸片，估計大家都見過。站在機子前，操作室的門一關一開，不少肺部和心血管的問題就從片子上顯現(xiàn)出來了，方便便宜，輻射劑量也很低。

不過，由于胸片中不同結構的影像重疊在一起，再加上成像并不十分清晰，一些較小的病灶難以發(fā)現(xiàn)，限制了胸片的使用。比如在肺癌的篩查中，低劑量螺旋CT相比胸片篩查，就能減少20%的肺癌死亡[1]。

但其實，胸片中的信息還有很大的挖掘空間。近日，哈佛大學的Michael Lu和Udo Hoffmann等，使用深度學習技術對胸片進行了研究，在兩個不同的數(shù)據(jù)集中預測了參與者們6年和12年內的死亡風險，風險最高的組別的死亡風險分別達到了最低組的15.2倍和18.3倍。相關研究發(fā)表在JAMA Network Open上[2]。

這是第一個使用深度學習，通過胸部x線片預測長期預后的研究！

（來自radiologyinfo.org）

胸片可以說是最為常見的影像學檢查了[3]，中間一條脊柱，兩邊好幾對肋骨，成為了不少人對x光片最初的印象。按美國醫(yī)保統(tǒng)計，每1000位患者，一年內要拍1039張胸片[4]，平均每人都拍了一張多點。

在這些胸片中，大多數(shù)只是為了排除下肺炎等特定疾病，算是正常胸片。但說是正常，也難免有一點點小異常，像什么主動脈上的小鈣化斑[5]，或者略微擴張的心臟[6]。這些細微的異常，現(xiàn)在或許沒什么臨床意義，但畢竟影像醫(yī)生能看的只是這一張片子，如果能結合上患者多年后的情況，或許可以挖掘出胸片里更多的信息，預測出患者多年后的死亡率。

正好，現(xiàn)在有了深度學習技術，只要有大量的數(shù)據(jù)，就可以讓程序自己去學習讀片，給出我們需要的信息。像肺炎這種比較簡單常見的疾病，已經(jīng)有了診斷用的深度學習模型[7]。

（來自cdimiami.com）

研究人員獲取了PLCO試驗中52320人的數(shù)據(jù)，其中既有吸煙者也有不吸煙者，年齡從55~74歲不等，使用其中80%參與者的數(shù)據(jù)訓練機器學習模型CXR-risk。而剩余20%，以及另一項NLST研究中5493名重度吸煙者的數(shù)據(jù)，被用來檢測訓練成果。

同時，研究人員還通過這些參與者的自我報告，獲得了他們的年齡、性別、吸煙狀況、糖尿病、高血壓、BMI，以及心梗、中風和癌癥病史等基線風險因素信息。

而這些參與者的胸片中，放射科的醫(yī)生也發(fā)現(xiàn)了肺結節(jié)、肺不張、肺纖維化和心臟肥大等等問題。

（來自pixabay.com）

在用來檢驗成果的10464名PLCO參與者中，51.6%是男性，平均年齡62.4歲，中位隨訪12.2年。在共117619人年的隨訪記錄中，有1402人死亡，全因死亡率13.4%。

根據(jù)CXR-risk評分，研究人員將這些參與者分為極低風險、低風險、中風險、高風險和極高風險五組。這五組在隨訪中的死亡率分別為3.8%、7.8%、12.7%、24.9%和53.0%。風險最高和最低的組間，死亡風險足足差了17.3倍！

死亡率和CXR-risk評分分組間顯著相關

相比之下，患有糖尿病的參與者和胸片中被發(fā)現(xiàn)有肺結節(jié)的參與者，死亡風險也分別只是提高了1.7倍和0.5倍。

在排除了基線風險因素和各種胸片診斷的影響后，CXR-risk評分依然與死亡風險有著顯著的關聯(lián)。極高危組的參與者死亡風險還是比極低危組的高了3.8倍。

其中基線時身體健康，沒有心梗、中風和癌癥病史的參與者，死亡風險也仍跟CXR-risk評分顯著相關。相比極低危組的參與者，低危組、中危組、高危組和極高危組的死亡風險分別高了0.5倍、0.7倍、1.6倍和3.8倍。

排除基線風險和胸片診斷前后各組的死亡風險

進一步分析顯示，在排除了基線風險因素和放射科醫(yī)生的診斷后，最高危組參與者因肺癌、心血管系統(tǒng)疾病和呼吸系統(tǒng)疾病的死亡風險，依然分別比最低危組高了10.1倍、2.6倍和26.5倍。

而在全身重度吸煙者的NLST參與者中，CXR-risk評分的表現(xiàn)也同樣出色，中位6.3年的隨訪中，極高危組參與者的死亡風險比極低危組高了14.2倍，排除基線風險因素和胸片診斷的影響后依然要高6.0倍，其中肺癌、心血管系統(tǒng)疾病和呼吸系統(tǒng)疾病的死亡風險分別高了7.4倍、46.8倍和30.9倍。

論文第一作者Lu認為，如果把基因和吸煙狀況等其他風險因素結合起來，這項新工具將會更加準確。早期發(fā)現(xiàn)有風險的病人可以更多地參與預防和治療項目。他表示：“這是一種從日常診斷測試中提取預后信息的新方法，這些本就存在但沒被利用的信息，可以幫助我們改善公眾健康?！?/p>

參考文獻：

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.

頭圖來自radiologyinfo.org

本文作者 | 孔劭凡