基于超声成像的深度学习模型用于区分恶性与良性胸腔积液：一项多中心队列研究

《Respiratory Research》：A deep learning model based on ultrasound imaging to differentiate malignant from benign pleural effusion: a multicenter cohort study

本研究通过回顾性收集两个队列的数据，开发了基于卷积神经网络的深度学习模型，用于通过超声图像非侵入式诊断恶性胸腔积液。内部测试显示模型准确率75.0%（95%CI 68.9-81.1），AUC 0.814，外部测试优化后准确率77.4%（95%CI 67.9-85.7），验证了模型的可扩展性和临床应用潜力。

　　

摘要

背景

恶性胸腔积液（MPE）的诊断需要进行胸腔穿刺。然而，这是一种侵入性操作，存在一定的风险。目前尚不清楚利用超声图像的深度学习技术是否能够成为一种非侵入性的诊断方法。

方法

从两个医疗机构回顾性地收集了通过胸部超声检查发现胸腔积液并接受诊断性胸腔穿刺的患者。内部队列的患者来自台湾国立大学医院（NTUH）新竹分院（2014–2021年），而外部队列的患者来自NTUH本身（2020–2021年）。恶性胸腔积液通过细胞病理学报告得到确认，良性胸腔积液则通过细胞学检查结果为阴性以及符合临床表现来判定。本研究使用卷积深度学习模型来识别恶性胸腔积液。性能评估指标包括准确率、F1分数、敏感性、特异性以及接收者操作特征曲线下面积（AUC）。

结果

共有601名患者来自内部队列，144名患者来自外部队列，用于模型开发。该模型在内部测试中取得了良好的结果（准确率=0.750 [95% CI: 0.689–0.811]，敏感性=0.710 [95% CI: 0.619–0.798]，特异性=0.803 [95% CI: 0.704–0.893]，F1分数=0.763 [95% CI: 0.691–0.826]，AUC=0.814 [95% CI: 0.746–0.873]）。经过少量外部图像的微调后，该模型在外部测试集上的表现如下：准确率=0.774 [95% CI: 0.679–0.857]，敏感性=0.818 [95% CI: 0.723–0.905]，特异性=0.611 [95% CI: 0.389–0.846]，F1分数=0.850 [95% CI: 0.776–0.913]，AUC=0.753 [95% CI: 0.596–0.885]。

结论

我们的深度学习模型作为一种非侵入性的即时诊断手段，在辅助胸腔积液诊断方面具有潜力。