多尺度特征提取与可解释机器学习在胸片体位评估中的融合学习框架研究

《European Radiology》：Application of multi-scale feature extraction and explainable machine learning in chest x-ray position evaluation within an integrated learning framework

本研究针对胸片拍摄中患者体位评估主观性强、重复曝光率高等临床难题，开发了一种基于U-net++分割与随机森林融合网络（RFFN）的智能评估系统。通过自动量化肩胛骨-肺野重叠比（ΔSL/ΔSR）、锁骨倾斜角（∠L/R-Clavicles）及双侧角度差（d-Clavicles）等指标，RFFN模型在整体图像质量分类中AUC达0.982，显著优于阈值分类（TC）和多元逻辑回归（MLR）模型。结合SHAP可解释性分析，明确ΔSL为关键决策特征，为放射技师提供实时反馈，助力精准体位调整。

　　

胸部X光检查是临床最常用的影像学手段之一，但患者体位的微小偏差可能导致骨骼结构重叠、解剖投影变形，进而引发误诊风险。研究显示，约46%的胸片废片源于体位不当，重复拍摄率高达50-77%。传统评估依赖放射技师的主观判断，存在一致性差、缺乏量化标准等问题。尽管国际指南明确了肩胛骨避开肺野、锁骨水平对称等质量标准，但实际临床中仅1.1-4%的图像完全符合要求。如何实现体位精准量化评估并实时指导操作，成为提升胸片质量的关键挑战。

为解决这一问题，Ma Chaowei团队在《European Radiology》发表研究，提出一种融合深度学习与机器学习的智能评估框架。该研究回顾性分析了西京医院2021-2022年3300例胸片，通过U-net++模型自动分割肩胛骨、肺野及锁骨区域，并计算五项关键量化指标：左右肩胛骨-肺野重叠比（ΔS_L/ΔS_R）、左右锁骨倾斜角（∠L/R-Clavicles）及双侧角度差（d-Clavicles）。在此基础上，比较随机森林融合网络（RFFN）、阈值分类（TC）和多元逻辑回归（MLR）三种模型的分类效能，并利用SHAP（Shapley Additive Explanations）方法解析模型决策逻辑。

关键技术方法

研究采用分层随机抽样构建XJ_chest_21（n=1130）和XJ_chest_22（n=1926）两个数据集，分别用于训练分割模型和验证分类模型。通过U-net++实现多目标解剖结构分割（损失函数结合BCE与Dice），自动测量指标后输入随机森林分类器（n_estimators=300, max_depth=5）。模型性能以AUC、准确率等指标评估，并通过Bland-Altman分析验证测量一致性。

研究结果

1. 1.1.
   分割模型性能
   U-net++在肩胛骨、肺野及锁骨分割中的平均Dice系数达0.926，显著优于U-net（0.812），尤其对锁骨和肩胛骨边界的像素级分类更精准。

1. 2.2.
   量化指标可靠性
   自动化测量模型（AMM）与放射医师测量结果高度一致（相关系数r=0.93）。Bland-Altman分析显示，锁骨角度测量平均偏差左倾0.009°、右倾0.199°，肩胛骨-肺野重叠面积偏差在±300 mm2以内，满足临床精度要求。
2. 3.3.
   分类模型对比
   RFFN在整体图像质量分类中AUC为0.982（95% CI: 0.963-0.993），优于TC（AUC=0.959）和MLR（AUC=0.953）。在亚组分析中，MLR对肩胛骨-肺野重叠分类更优（AUC=0.994），而TC对锁骨角度评估更佳（AUC=0.974）。

1. 4.4.
   可解释性分析
   SHAP结果显示，ΔS_L（左肩胛骨-肺野重叠比）对模型决策贡献最大（均值0.21），其次为∠L-Clavicles（0.122）和ΔS_R（0.063）。特征交互作用揭示ΔS_L与∠L-Clavicles存在显著协同效应，而d-Clavicles在0-6°窄角度范围内易引发假阳性（如d>4.5°时模型误判率为4.94%）。

结论与意义

本研究首次将多尺度特征提取与可解释机器学习结合，构建了端到端的胸片体位评估框架。RFFN模型不仅实现了专家级图像质量分类（AUC>0.98），还通过SHAP明确了ΔS_L为核心决策特征，为放射技师提供了“左肩胛骨位置优先调整”的实操指导。该框架突破了传统阈值模型在窄角度范围的局限，降低了因严格数值阈值导致的临床误判。未来通过整合多中心数据及全体位特征，有望进一步推动放射科质控的智能化升级。