《Diagnostics》：AI-Driven Automated Detection of Pleural Plaques on Chest CT Scans in Retired Asbestos-Exposed Workers
编辑推荐：
背景/目的：本研究旨在开发并验证一项自动化框架，用于使用单次胸部CT扫描在患者层面检测胸膜斑（PPs）。方法：首先通过专家视觉评估，基于专业放射科医生委员会的共识，建立了一个包含胸部CT扫描及其对应PP存在个体二元标注的数据库。该数据集用于训练和验证一个用于自
背景/目的：本研究旨在开发并验证一项自动化框架，用于使用单次胸部CT扫描在患者层面检测胸膜斑（PPs）。方法：首先通过专家视觉评估，基于专业放射科医生委员会的共识，建立了一个包含胸部CT扫描及其对应PP存在个体二元标注的数据库。该数据集用于训练和验证一个用于自动化PP存在检测的患者层面分类框架。该框架利用了一个预训练的PP分割网络，从而避免了重新训练大规模深度学习模型的需要。该分割骨干网络辅以一个轻量级分类模块，该模块整合网络输出以推断患者层面PP的存在与否。此外，采用了一种分块（patch-wise）处理策略，以优化计算效率和训练时间，同时保留关键局部上下文信息。结果：该框架在一个由1241名有记录的职业石棉暴露退休工人组成的队列中进行了评估，使用了10折交叉验证（30%训练，10%验证，60%测试）。它实现了97.0%的平衡准确率、96.6%的敏感性和97.4%的特异性，表现出略优于两位专家放射科医生的性能（专家1/专家2的平衡准确率：90.9%/91.4%，敏感性：88.0%/88.8%，特异性：93.9%/94.1%），并且显著优于一位在石棉相关表现方面缺乏专业专长的放射科医生（平衡准确率：80.0%，敏感性：75.1%，特异性：84.8%）。结论：所提出的框架展示了从单次CT扫描中自动化患者层面识别胸膜斑的巨大潜力。研究人员的方法在涉及职业病赔偿索赔的筛查场景中可能特别有用。
论文解读文章
**研究背景与问题**
石棉暴露与胸膜斑（Pleural Plaques, PP）的发生密切相关，PP是职业暴露后最常见的良性表现，也是法国等地区认定职业病赔偿的关键指标。胸部CT较X线具有更高的敏感性和特异性，但在大规模筛查中，人工阅片效率低且存在主观差异。现有研究主要聚焦于PP分割，即体素级别的病灶勾勒，而患者层面的PP存在性检测（判断有无PP）在临床和法律场景中更具实用价值，例如用于快速识别需进一步评估的病例。然而，直接使用PP分割模型进行患者层面检测存在高假阳性率问题，因为分割模型通常仅基于阳性病例训练，缺乏健康对照，且难以处理小尺寸、低对比度的PP病灶。因此，研究人员提出了一种基于多实例学习（Multiple Instance Learning, MIL）的自动化框架，旨在将局部补丁预测聚合为患者层面决策，以提升检测的鲁棒性和特异性。
**研究内容与结论**
研究人员开发并验证了一个从单次胸部CT扫描中自动化检测PP的深度学习框架。该框架整合了预训练的3D nnU-Net分割网络（生成体素级PP概率图）和一个轻量级分类模块（ResNet-18），采用分块（patch-wise）处理策略和MIL聚合。在1241名退休石棉暴露工人队列（来自ARDCO/APEXS第三轮筛查，2015-2018年）中，通过10次蒙特卡洛交叉验证（30%训练、10%验证、60%测试）评估，框架达到了97.0%的平衡准确率、96.6%的敏感性和97.4%的特异性，优于两位专家放射科医生（平衡准确率约91%）和一位非专家放射科医生（80.0%）。该研究发表在《Diagnostics》期刊，表明自动化PP检测在职业暴露监测和赔偿索赔筛查中具有重要的临床潜力。
**关键技术与方法（不超过250字）**
本研究使用了来自ARDCO/APEXS队列的1241名退休石棉暴露工人的胸部CT扫描（第三轮筛查，2015-2018年）。主要技术方法包括：①使用预训练的3D nnU-Net生成体素级PP概率图；②从阈值化后的概率图中提取连通分量，保留前N个最大概率分量，并以每个分量中最大概率体素为中心提取3D立方块（如9×9×9）；③采用三种补丁填充策略（单通道概率SC-proba、单通道CT强度SC-CT、双通道概率+CT DC-proba/CT）；④使用MIL框架，以ResNet-18作为实例特征提取器，最大池化聚合，训练时采用二元交叉熵损失和Adam优化器，使用早停防止过拟合；⑤评估采用10次蒙特卡洛交叉验证，将数据集按30%训练、10%验证、60%测试划分。
**研究结果**
**补丁大小的影响**：通过使用ResNet-18分类器结合SC-proba输入，比较9×9×9、17×17×17和33×33×33三种补丁大小，未发现统计学显著差异（p>0.05），表明框架对补丁大小不敏感，小尺寸补丁即可有效保留局部上下文信息。
**分类算法的比较**：比较了独立分割阈值基线、ResNet-18、ResNet-50和ResNeXt分类器。深度学习模型（ResNet-18和ResNet-50）显著优于基线，且两者之间无显著差异；ResNeXt未提供一致优势。结果表明轻量级ResNet-18足以胜任患者层面PP检测，且避免了复杂模型过拟合风险。
**补丁填充策略的影响**：比较了SC-proba、SC-CT和DC-proba/CT三种策略，三者性能相当，无显著差异（p>0.05）。该结果表明仅使用PP概率图即可达到可靠检测，无需额外CT强度信息，简化了输入表征。
**保留连通分量数量的影响**：随着N从16增加到100，敏感性和特异性单调提升，在N=100时趋于稳定（约97%）。说明前100个高概率连通分量足以捕捉真实病变，而遗漏风险较低。
**与专家和非专家阅读者的比较**：使用最优配置（ResNet-18，9×9×9补丁，SC-proba，N=100）在测试集上评估，框架平衡准确率97.0%，高于专家1（90.9%）和专家2（91.4%），显著高于非专家（80.0%）。敏感性96.6% vs 专家88.0%/88.8%，特异性97.4% vs 专家93.9%/94.1%，表明框架达到甚至超越专家水平，尤其在非专家场景下优势明显。
**计算成本**：概率图生成占主要时间（工作站7分52秒），但分类模块在12秒（工作站）和38秒（消费级笔记本）内完成，提示概率图生成可离线或云端处理，实际部署可行。
**讨论与结论**
讨论部分指出，该框架通过将PP检测重新表述为MIL问题，有效克服了直接阈值分割带来的高假阳性率。与现有PP分割研究不同，本工作聚焦于患者层面二元分类，适用于大规模筛查和分诊。补丁填充策略的对比表明，仅概率图即可提供足够信息，降低了模型复杂度。框架在性能上优于专家和非专家，且计算效率可接受，有望作为辅助工具支持职业后监测和赔偿流程。局限性包括：最大池化聚合对异常值敏感，需探索注意力机制；研究人群局限于退休石棉暴露工人，泛化性需在更广泛临床队列中验证。
结论翻译：在本研究中，研究人员开发并验证了一个自动化深度学习框架，用于使用CT扫描在患者层面检测胸膜斑（PP）。通过整合预训练的PP分割网络与轻量级分类模块，该方法有效连接了局部分割输出与患者层面预测，无需重新训练大型模型。该框架在退休石棉暴露工人队列中达到了专家级PP检测性能，优于经验丰富的放射科医生，并明显超过非专家阅读者。在临床上，该方法可通过辅助患者层面PP识别和优先安排专家复查，支持职业后监测和赔偿相关流程。在更广泛的临床部署之前，仍需在独立且更具异质性的队列中进行外部验证。
