编辑推荐：
为解决煤工尘肺（CWP）临床影像诊断难题，山西医科大学等机构研究人员开展基于深度学习的 CWP 高分辨率 CT（HRCT）影像特征分类研究。结果显示 DenseNet-Attention 模型分类效果佳，这有助于提高 CWP 诊断准确率，为临床提供可靠诊断信息。
煤工尘肺（Coal workers’ pneumoconiosis，CWP）是一种慢性职业性肺部疾病，主要由长期在工作场所吸入煤尘颗粒引起，其主要病理特征为弥漫性间质性肺纤维化。尽管全球范围内 CWP 的患病率在过去几十年有所下降，但在美国东部和澳大利亚昆士兰州，其发病率却有所上升。在中国，CWP 也是最常见的尘肺病类型之一，占所有职业病的比例超过 6%。目前，针对 CWP 的治疗手段有限，提高其早期诊断率至关重要。
传统上，胸部 X 射线是尘肺病早期筛查、分期和诊断的重要手段，但这种方法存在局限性。一方面，胸部 X 射线诊断过程复杂且耗时，需要专家小组根据国际劳工组织（ILO）指南进行综合判断；另一方面，胸部 X 射线无法提供肺部不透明区域的足够细节，难以对 CWP 和其他类型尘肺病进行明确的鉴别诊断。高分辨率 CT（HRCT）比胸部 X 射线更敏感、更具特异性，能在一定程度上解决这些问题，但由于缺乏统一的全球标准，尚未被广泛用于各类尘肺病的常规筛查、分期和诊断。近年来，人工智能（AI）和深度学习（DL）算法在医学图像分类领域取得了显著成果，为 CWP 的诊断带来了新的希望。
在此背景下，山西医科大学第一医院等机构的研究人员开展了一项基于深度学习的 CWP 临床影像特征分类研究。研究成果发表在《BioMedical Engineering OnLine》杂志上。
研究人员采用的主要关键技术方法如下：
- 数据收集：从太原附近煤矿招募了 217 名 CWP 患者和有咳嗽、呼吸困难等症状的粉尘暴露工人，收集他们的胸部 HRCT 影像数据。
- 特征分类与选择：由经验丰富的放射科医生对影像进行诊断，确定 CWP 的四种主要临床影像特征，即肺结节 - 小结节影、肺结节 - 结节影、肺间质改变和肺气肿，并对感兴趣区域（ROI）进行标注和数据标签分配。
- 模型构建：将 DenseNet 与 ECA-Net 相结合构建 DenseNet-Attention 模型，并采用数据增强技术，如随机旋转、锐化增强等，增加训练数据量。
- 模型评估：使用准确率、受试者工作特征曲线下面积（AUC）、精确率、召回率和 F1 分数等指标评估模型性能。
研究结果如下：
- HRCT 临床影像特征分布：研究详细记录了不同肺部区域的四种主要病变类型的分布范围，如肺结节 - 小结节影在右上肺有 239 个 ROI，肺结节 - 结节影在中右肺有 113 个 ROI 等。
- 不同模型分类结果：通过比较 DenseNet-Attention、DenseNet121、ResNet-50、MobileNet 和 Shufflenet v2 等模型的性能，发现 DenseNet-Attention 算法的准确率最高。经过充分训练，该模型在第 30 个 epoch 后准确率超过 95%。
- ROC 曲线分析：对不同模型进行 ROC 曲线分析，结果显示 DenseNet-Attention 模型整体分类的平均 AUC 为 0.98，其中肺结节 - 小结节影的 AUC 为 0.99，肺结节 - 结节影和肺气肿的 AUC 均为 1.0，肺间质改变的 AUC 为 0.92。
研究结论和讨论部分表明，研究人员成功应用数据增强策略，结合 DenseNet 和 ECA-Net 开发了深度学习模型，能够自动对 2D HRCT 图像中的 CWP 临床影像特征进行分类。DenseNet-Attention 模型在研究的模型中表现最佳，平均准确率达到 98%。此外，通过分析 HRCT 影像数据，有助于提高对尘肺病相关肺部疾病影像特征的理解，为未来建立尘肺病的 HRCT 影像诊断标准提供了依据。不过，该研究也存在一些局限性，如缺乏明确统一的 CWP 胸部 HRCT 影像诊断标准，样本量有限等。但总体而言，这项研究为 CWP 的临床诊断提供了新的思路和方法，对推动尘肺病的早期诊断和治疗具有重要意义。
