論文No3751
A Deep Learning-Based Radiomic Classifier for Usual Interstitial Pneumonia
Jonathan H. Chung,Lydia Chelala,Janelle Vu Pugashetti,...Charles Sayer,Charles Hatt,Justin M. Oldham
CHEST, VOLUME 165, ISSUE 2, P371-380, FEBRUARY 2024.
＜背景＞
胸部CTスキャンは、間質性肺疾患（ILD）のほとんどの症例の診断において外科的肺生検にほぼ取って代わったため、
CTスキャンの解釈を標準化するツールが早急に必要とされている。
＜研究課題＞
CTスキャンの特徴を用いて導出された通常の間質性肺炎（UIP）のディープラーニング（DL）ベースの分類器は、
放射線科医が決定した視覚的UIPを正確に識別するか？
＜研究デザインと方法＞
レトロスペクティブコホート研究を実施した。
ILDの有無にかかわらず、胸部CTスキャンを様々な公的および私的データ源から収集した。
放射線科医が決定した視覚的UIPをグランドトゥルースとして用い、
畳み込みニューラルネットワークを用いてUIPの離散的CTスキャン特徴を学習し、
その出力を用いて線形サポートベクターマシンを用いてUIPの可能性を予測した。
独立した性能コホートおよび多施設ILD臨床コホートにおいて、検査性能の特性を評価した。
Kaplan-Meier推定値とCox比例ハザード回帰を用いて、UIP分類アプローチ間で無移植生存期間を比較した。
＜結果＞
トレーニング（n=1,934）、検証（n=408）、およびパフォーマンス（n=565）のデータセットには、
合計2,907件の胸部CTスキャンが含まれた。
放射線科医が判定した視覚的UIPの有病率は、
パフォーマンスコホートおよびILD臨床コホートでそれぞれ12.4％および37.1％であった。
DLベースのUIP分類器は、実績コホートでは感度93％、特異度86％、
多施設ILD臨床コホートでは感度81％、特異度77％で視覚的UIPを予測した。
DLベースのUIP分類と視覚的UIP分類は同様に生存を識別し、
転帰は視覚的分類にかかわらずDLベースのUIP分類が陽性であった症例で一貫していた。
＜解釈＞
DLベースのUIP分類器は、放射線科医が判定したUIPと比較した場合、
広範囲のUIP有病率で良好な検査成績を示し、生存率を同様に弁別した。
この自動化ツールは、胸部CTスキャンを受けた患者のUIPを効率的にスクリーニングし、
既知のILDを有する患者の中から高リスクの表現型を同定することができる。
Background
Because chest CT scan has largely supplanted surgical lung biopsy for diagnosing most cases of interstitial lung disease (ILD), tools to standardize CT scan interpretation are urgently needed.
Research Question
Does a deep learning (DL)-based classifier for usual interstitial pneumonia (UIP) derived using CT scan features accurately discriminate radiologist-determined visual UIP?
Study Design and Methods
A retrospective cohort study was performed. Chest CT scans acquired in individuals with and without ILD were drawn from a variety of public and private data sources. Using radiologist-determined visual UIP as ground truth, a convolutional neural network was used to learn discrete CT scan features of UIP, with outputs used to predict the likelihood of UIP using a linear support vector machine. Test performance characteristics were assessed in an independent performance cohort and multicenter ILD clinical cohort. Transplant-free survival was compared between UIP classification approaches using the Kaplan-Meier estimator and Cox proportional hazards regression.
Results
A total of 2,907 chest CT scans were included in the training (n = 1,934), validation (n = 408), and performance (n = 565) data sets. The prevalence of radiologist-determined visual UIP was 12.4% and 37.1% in the performance and ILD clinical cohorts, respectively. The DL-based UIP classifier predicted visual UIP in the performance cohort with sensitivity and specificity of 93% and 86%, respectively, and in the multicenter ILD clinical cohort with 81% and 77%, respectively. DL-based and visual UIP classification similarly discriminated survival, and outcomes were consistent among cases with positive DL-based UIP classification irrespective of visual classification.
Interpretation
A DL-based classifier for UIP demonstrated good test performance across a wide range of UIP prevalence and similarly discriminated survival when compared with radiologist-determined UIP. This automated tool could efficiently screen for UIP in patients undergoing chest CT scan and identify a high-risk phenotype among those with known ILD.