编辑推荐：
为解决传统 U-Net 模型在胸部 X 光图像分割中遗漏病理区域的问题，研究人员开展基于 CycleGAN 的胸部疾病分类研究。结果显示，该方法平均准确率达 92.05%，平均 AUC 为 89.48% ，优于以往研究，对胸部疾病诊断意义重大。
在医学领域，肺部疾病是全球健康的重大威胁，每年导致约五百万人死亡，早期诊断对于改善患者预后至关重要。胸部 X 光（CXR）检查因其简单、经济且无创，成为肺部疾病筛查和诊断的常用方法。然而，手动检查 CXR 图像对放射科医生来说既耗时又具有挑战性，因为胸部 X 光图像常包含多种潜在疾病，图像分类属于多标签问题，且许多疾病视觉特征相似，容易导致误诊和漏诊。
为了攻克这些难题，来自国外的研究人员开展了一项极具意义的研究，相关成果发表在《Artificial Intelligence in Medicine》上。研究人员提出了一种基于重建的方法，旨在实现胸部 X 光图像的精准分割和多标签胸部疾病的准确分类。
研究人员使用的主要关键技术方法如下：
- 数据集：采用 ChestX-ray14 数据集，该数据集包含 112,120 张 frontal - view 胸部 X 光图像，来自 30,805 名患者，每张图像标注有 14 种胸部疾病中的一种或多种。
- 方法：首先利用 CycleGAN 模型生成肺部的健康恢复图像，通过图像减法和二值化创建病理掩码；接着使用 PyRadiomics 工具提取放射组学特征，并通过 Hierarchical Cluster Analysis（HCA）和统计检验进行特征选择；最后运用 Random Forest（RF）和 Extreme Gradient Boosting（XGBoost）两种机器学习算法进行图像分类。
研究结果如下：
- 消融研究：对比使用 U-Net 和基于 CycleGAN 的方法生成掩码对疾病分类的影响，发现基于 CycleGAN 的方法能显著提高分类的准确率和 AUC。例如，使用 U-Net 生成掩码时，RF 和 XGBoost 模型的平均准确率分别为 79.15% 和 79.56%，平均 AUC 分别为 74.47% 和 75.63%；而使用基于 CycleGAN 的方法生成掩码时，RF 和 XGBoost 模型的平均准确率分别提升至 88.26% 和 89.52%，平均 AUC 分别提升至 85.54% 和 86.55%。同时，研究还评估了特征选择的影响，结果表明采用场景 2（排除类间共同特征）进行特征选择可显著提高模型性能，RF 和 XGBoost 模型的准确率分别达到 91.16% 和 92.05%，AUC 分别达到 88.92% 和 89.48%。此外，通过 SHAP 方法分析发现，研究中选择的特征与 XGBoost 模型分类决策中影响最大的特征一致，验证了特征选择方法的有效性。
- 与现有方法比较：将该研究的最佳模型与以往研究进行对比，结果显示该研究在 14 种疾病分类上平均 AUC 达到 83.12%，优于现有方法。在 7 种疾病（肺不张、实变、胸腔积液、浸润、结节、胸膜增厚、肺炎）上取得了最高的 AUC 分数，与其他研究相比有显著提升。
研究结论和讨论部分表明，该研究提出的基于 CycleGAN 的分割方法能够准确生成包含病理区域的掩码，有效提取与疾病相关的放射组学特征，结合精心设计的特征选择方法，显著提高了胸部疾病分类的准确性。尽管研究存在一些局限性，如 CycleGAN 生成图像的质量有待提高、分类性能可进一步优化、研究结果的普适性需增强等，但该研究为医学图像分析领域提供了一个强大的框架，有助于推动计算机辅助诊断技术的发展，为胸部疾病的精准诊断和治疗提供了新的思路和方法，对改善患者的治疗策略和预后具有重要意义。
