肺水肿是胸部X光片中最常见的发现之一，具有重要的临床后果。通过阻碍气体交换和降低肺顺应性，严重的肺水肿可能会危及生命。测量和监测肺水肿对许多人来说很有用，但对危重病人尤为重要。

从技术上讲，X射线的衰减应与肺水量成正比，因此，胸片应该是监测肺水肿量的宝贵工具。通常，放射科医生会以绝对的等级对严重程度进行评级。广泛用于危重病人的肺水肿的定量测量是血管外肺水（EVLW），其定义为肺血管外肺部积聚的水量。

经肺热稀释（TPTD）测量EVLW虽然具有侵入性，但与金标准体外重力测量方法具有良好的相关性。然而，文献中报告的结果喜忧参半，临床医生的胸部X光报告或临床医生的分数与血管外肺水（EVLW）的相关性等级，从良好到适度到差不等。

最近，Hong等人使用基于放射科医生的分类四级严重性评分来训练胸部X光片上的深度学习分类系统，并报告高性能。2023年5月26日发表在CRITICAL CARE的研究首次探索了深度学习在预测从胸部X光片中定量肺水肿测量EVLW方面的有用性。

研究人员回顾了包括了431名患者的471张X光片，这些患者在重症监护室在24小时内接受了胸部X光检查和TPTD测量。从TPTD中提取的EVLWI被用作肺水肿的定量测量。本文使用深度学习方法，并将数据分成两类、三类、四类和五类，提高了X射线中EVLWI预测的分辨率。

测试集中的精确预测分为两类、三类、四类或五类

在这项研究中，研究人员按顺序开发了一个深度学习模型，从胸部X射线图像中准确量化肺水肿。本文使用TPTD侵入性测量的EVLWI作为基本真相。当将临床上最相关的EVLWI范围从6到20的五个类别的可用数据binning时，本文的模型表现出非常好到出色的性能。二进制分类模型（EVLWI < 15，≥ 15）中的精度、接收器操作特征曲线（AUROC）和马修斯相关系数（MCC）下的面积为0.93（准确性）、0.98（AUROC）和0.86（MCC）。在三个多类模型中，精度在0.90到0.95之间，AUROC在0.97到0.99之间，MCC在0.86到0.92之间。

本文具有一定的局限性。本文使用的热稀释是一种侵入性的方式，几乎只有在重症监护病房才可行。此外，研究人员只在一家机构的危重病人身上测试了我们的模型。因此，尽管上述研究的结果很有希望，并且预测了半定量分数，但本文的结果需要外部确认。

最后，这项研究只使用了研究人员的内部便携式X射线系统上获得的成像数据。因此，模型推广可能不仅需要外部成像数据，还需要对在标准右X射线系统上获得的成像数据进行额外的培训。尽管有这些局限性，但本文研究表明，深度学习是量化肺水肿的有用工具，具有高准确度的有意义的分辨率。

 

原文出处

Schulz, D.;  Rasch, S.;  Heilmaier, M.;  Abbassi, R.;  Poszler, A.;  Ulrich, J.;  Steinhardt, M.;  Kaissis, G. A.;  Schmid, R. M.;  Braren, R.; Lahmer, T., A deep learning model enables accurate prediction and quantification of pulmonary edema from chest X-rays. Critical Care 2023, 27 (1), 201.