JAMA子刊:一张胸片断生死!哈佛科学家发明AI算法,用一张胸片能预测12年内的死亡风险 - 医疗资讯 - 国际 Hy there医学网 - 首页- Hy there医学门户网站
您当前所在位置: 首页 > 新闻资讯 > 医疗资讯 > 正文

JAMA子刊:一张胸片断生死!哈佛科学家发明AI算法,用一张胸片能预测12年内的死亡风险

日期:2019-08-12 13:50:05 来源: 奇点网 点击:

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 Hy there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。”


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.




(责任编辑:labweb)

相关阅读

站内搜索

品牌推荐

更多 >>

关闭二维码
关闭二维码
友情链接: reel47.com    78tg.space