Radiology：深度学习算法在胸部CT肺间质性疾病诊断之前的应用

间质性气喘(ILD)包括一大部分异质性腹腔性疾病，该类性疾病在临床深入研究表现和腹腔图片学表现Mode上有一定重叠。成像CT是病症ILD的值得一提的是图片学暴力手段。然而，在CT上对ILD进行时图片学检验需少科学知识和知识，即使在有科学知识的放射科牙医之间也发挥作用很大的差别。

早先，尺度努力学习应用已被最常应用临床深入研究各个学科。基于内容可的图片数据库（CBIR）是一个强大的图片搜引文擎，不具备形态学、引文和从文档中的数据库图片等多个功能。当应用CBIR进行时ILD病症时，在CT上对ILD的区域性疾病Mode的自动定量和形态学可以紧密结合到查找图片和文档中的的图片之间的相似度测中的，这将有助于增加放射科牙医或临床深入研究牙医的病症精确性。然而，很少有深入研究用于CBIR作为解释ILD CT图片的病症来进行。

已对，发表在Radiology周刊的一项深入研究联合开发了一个结合了基于尺度努力学习的ILD CT图片的Mode形态学的自动化CBIR，并更进一步探讨了所提显现出CBIR该系统是否能够一同不具备不尽相同科学知识水平的阅读者进行时ILD的病症，为ILD的短时间内、精确且客观的病症包括了强有力的应用支持者。

本项回顾性深入研究纳入了2000年1月至2015年12月期间明确的经多学科讨论的、不具备举例来说CT图片的ILD病症。文档由四个性疾病类别组成：平常间质肺水肿（UIP）、非甲基化间质肺水肿（NSIP）、隐源性组织肺水肿和慢性超敏肺水肿。从文档中的选取了80名病症作为检验；也。建议书的CBIR通过更为尺度努力学习算法定量的不尽相同区域性疾病Mode的程度和属，从文档中的数据库显现出比如说病症的前三名类似CT图片。在应用CBIR之前和之后，八位不具备不尽相同科学知识的阅读者在之遥两周的两次阅读会议上对查找的CT图片进行时判析，并包括了他们最可能的病症。用于McNemar检验和广义估算方程分析方法了病症精确性，用于Fleiss κ分析方法了阅读者之间的正确性。

总共纳入288名病症（平均年龄，58岁±11[标准差]；145名男同性恋）。应用CBIR后，所有读者的总体病症精确性都有所增加（CBIR前，46.1% [95% CI: 37.1, 55.3]；CBIR后，60.9% [95% CI: 51.8, 69.3]；P < .001）。就性疾病类别而言，应用CBIR后，UIP（CBIR前与CBIR后，分别为52.4%与72.8%；P < .001）和NSIP患病（CBIR前与CBIR后，分别为42.9%与61.6%；P < .001）的病症精确性得到增加。CBIR后，阅读者之间的正确性有所增加（CBIR前与CBIR后Fleiss κ，分别为0.32 vs 0.47；P = .005）。

图CBIR该系统的GUI。CBIR该系统根据测的相似度数据库显现出三张相似的CT图片，并展览品了比如说患病的数据库结果（黄框）。建议书的CBIR该系统的GUI再行中间显示查找的CT和数据库的图片，以便于更为。

总之，本深入研究所提显现出的基于内容可的颈部CT图片数据库该系统通过用于尺度努力学习可以增加间质性气喘（ILD）的病症精确性和不尽相同科学知识水平的阅读者之间的正确性。该该系统可望为缺乏颈部图片知识或ILD患病较少的中的心包括图片学判析支持者。

原文显现出处：

Jooae Choe,Hye Jeon Hwang,Joon Beom Seo,et al.Content-based Image Retrieval by Using Deep Learning for Interstitial Lung Disease Diagnosis with Chest CT.DOI:10.1148/radiol.2021204164