灰度反转成像在检测肺部结节疑难病例中的诊断价值

《Clinical Imaging》：Diagnostic value of grayscale inversion imaging for detecting difficult cases of pulmonary nodules

肺结节检测中灰度反转成像未提高敏感性但提升特异性，尤其对经验丰富的放射科医生，可作为教育工具优化诊断准确性。

　　

米歇尔·梅（Michelle Mai）| 格雷森·贝尔德（Grayson Baird）| 埃里克·迪切（Eric Dietsche）| 特伦斯·希利（Terrence Healey）| 迈克尔·阿塔拉伊（Michael Atalay）| 萨拉布·阿加瓦尔（Saurabh Agarwal）

美国罗德岛医院，布朗大学沃伦·阿尔珀特医学院，普罗维登斯，RI 02903

摘要

目的

本研究评估了灰度反转成像技术在胸部X光片上检测肺结节方面的有效性，因为肺结节在传统成像方法中往往难以识别。

方法

在一项针对六名放射科医生（三名主治医生和三名住院医师）的受试者内研究中，提供了100对胸部X光片和CT扫描图像。每位医生分别使用灰度反转和未反转两种方式分析这些图像，并比较了不同条件下的肺结节检测率。通过统计测试分析了灵敏度和特异性，以确定不同培训水平之间的差异。

结果

研究发现，灰度反转并未显著提高肺结节检测的灵敏度。然而，它确实提高了特异性，尤其是在主治医生中（从73.1%（95%置信区间[63.6, 80.9]）提高到81.3%（95%置信区间[73.2, 87.4]），p=0.0277）。住院医师方面没有观察到显著改善。

结论

灰度反转成像可能不会提高灵敏度，但在特异性方面具有潜在优势，尤其是对于经验丰富的放射科医生。研究结果表明，灰度反转可以作为提高影像解读能力的有用工具，特别是在区分真阳性与假阳性方面。建议进一步研究培训和实践经验对使用高级成像技术进行影像解读的影响。

引言

胸部X光检查是临床环境中常用的诊断工具。它可能会偶然发现肺结节等病变。由于肺结节难以识别，因此需要依赖计算机断层扫描（CT）等资源更密集的成像方法。灰度反转技术可以将暗色物体显示在明亮背景下，从而理论上可以提高视觉对比度，有助于病变的区分。¹ 在胸部X光片上检测肺结节的情况下，灰度反转技术可能有助于提高对难以发现的病变的检测灵敏度。

先前的研究探讨了灰度反转技术在提高放射科医生检测不同大小肺结节方面的潜力。^{2, 3, 4, 5} 然而，部分研究显示检测率有所提高或假阳性减少，而另一些研究则未发现明显益处。^{6, 7, 8} 这些研究受到样本量小、读者群体有限以及方法不同的限制，因此需要进一步研究。

本研究旨在探讨灰度反转技术是否能够提高住院医师和主治医生检测肺结节的效率。我们假设，与传统的影像解读方法相比，使用灰度反转技术可以显著提高这两组医生的灵敏度和特异性。此外，本研究还考虑了放射科医生的教育和培训背景对结果的影响。总体而言，本研究进一步明确了灰度反转技术在提高不同教育水平放射科医生对胸部X光片解读能力方面的作用，从而提升肺结节检测的灵敏度和特异性。

方法

研究数据集包含了2014年1月1日至2017年12月31日期间来自两家参与医院的100名患者的影像资料。入选标准包括患者同时拥有前后位（PA）和侧位胸部X光片，并在3个月内进行了计算机断层扫描（CT）。其中50名患者在研究期间偶然发现了一个直径在0.8至2.0厘米之间的肺结节，这些结节通过CT确认为真正的肺结节。

结果

分析显示，主治医生的灵敏度在使用灰度反转技术时为38.8%（95%置信区间[29.5, 49.0]），而在使用标准显示技术时为40.1%（95%置信区间[31.1, 49.7]）（表2）。住院医师的灵敏度在使用灰度反转技术时为43.3%（95%置信区间[32.9, 54.3]），在使用标准显示技术时为44.9%（95%置信区间[36.0, 54.2]）。无论是对主治医生还是住院医师，灰度反转技术均未显著提高灵敏度（p=0.999）。不过，灰度反转技术在提高特异性方面表现更佳。

讨论

灰度反转技术是一种简单且易于在PACS系统中实施的工具，可用于提高肺结节的检测效率。¹² 由于灰度反转有助于增强图像对比度，我们推测它能够提高主治医生和住院医师检测肺结节的性能。尽管灰度反转提高了主治医生的特异性，但在住院医师中这种提升并未达到统计学上的显著性。

结论

灰度反转是一种简单的放射影像处理技术，可以改善胸部X光片的解析效果，有助于肺结节的检测。虽然灰度反转技术不会显著提高肺结节检测的灵敏度，但它能提高经验丰富读者的特异性。这些发现为根据读者的经验水平定制图像显示方式提供了依据，从而优化放射学诊断的准确性。未来的研究应进一步探讨这一技术的影响。

作者贡献声明

米歇尔·梅（Michelle Mai）： 负责撰写、审稿和编辑，原始稿件的撰写及数据整理。格雷森·贝尔德（Grayson Baird）： 负责撰写、审稿和编辑，正式数据分析及数据整理，概念构思。埃里克·迪切（Eric Dietsche）： 负责撰写、审稿和编辑，正式数据分析及数据整理，概念构思。特伦斯·希利（Terrence Healey）： 负责撰写和审稿。迈克尔·阿塔拉伊（Michael Atalay）： 负责撰写和审稿。萨拉布·阿加瓦尔（Saurabh Agarwal）： 负责撰写、审稿，正式数据分析及概念构思。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢

无。