根据最近的研究，肺炎仍然是全球儿童死亡率的主要原因，也是儿童中最流行的感染之一。肺炎的抗生素治疗通常是经验性的，这是影响治疗过程和预后的关键因素。但抗生素耐药性的增加仍然是不良预后的主要问题。临床上，肺炎的准确鉴别诊断仍然是一个问题，不同的肺炎病例对应不同的治疗策略。

肺炎影像学特征相似，同一类别的肺炎往往表现出不同的症状，不同类型的肺炎科有相似的症状。尽管有各种诊断方法，包括常规血液检查、痰培养和结肠灌流培养，但这些情况对肺炎的准确诊断提出了重大挑战。

现阶段，人工智能(AI)在临床中得到了广泛的应用，可有效提高成像的准确性和速度肺炎的诊断 。一些研究表明，一套设计良好的机器学习工具可以用于支持资源有限的诊断，并弥补昂贵的设备和训练有素的临床医生短缺的不足。然而，人工智能技术在肺炎中的应用研究仍然集中在肺炎病灶的检测、分割以及肺炎与其他肺炎的鉴别。

近日，发表在European Radiology杂志上的一篇研究开发一种基于计算机断层扫描(CT)图像的深度学习算法Pneumonia-Plus，并应用于细菌性、真菌性和病毒性肺炎的准确分类。

本项研究选取了2763例胸部CT图像及明确病原体诊断的患者，并对算法进行训练和验证。使用Pneumonia-Plus在173名患者的非重叠数据集上进行前瞻性测试。研究将该算法在分类三种类型肺炎方面的表现与三名放射科医生使用McNemar测试的表现进行了比较，以验证其临床实用性。

在173例患者中，病毒性肺炎、真菌性肺炎和细菌性肺炎的曲线下面积(AUC)分别为0.816、0.715和0.934。病毒性肺炎准确分类，敏感性、特异性、准确度分别为0.847、0.919、0.873。三名放射科医生对肺炎阳性诊断也表现出良好的一致性。细菌性、真菌性和病毒性肺炎的AUC值分别为0.480、0.541和0.580。McNemar敏感性测试结果显示，该算法对细菌性肺炎和病毒性肺炎的诊断性能明显优于放射科医师1和放射科医师2 (p < 0.05)。放射科医生3的诊断准确率高于该算法。

 表 HarDNet算法 (A) 和3个影像学专家在测试中的对比结果

本项研究表明，Pneumonia-Plus算法可用于区分细菌性、真菌性和病毒性肺炎，且可达到放射科主治医师的水平，降低了误诊风险。因此，Pneumonia-Plus算法可根据CT图像对肺炎进行准确分类，避免不必要的抗生素使用，及时提供信息指导临床决策、改善患者预后，具有重要的临床价值。

原文出处：

Fang Wang,Xiaoming Li,Ru Wen,et al.Pneumonia-Plus: a deep learning model for the classification of bacterial, fungal, and viral pneumonia based on CT tomography.DOI:10.1007/s00330-023-09833-4

Tags： European Radiology：基于CT的细菌、真菌和病毒性肺炎鉴别诊断的深度学习模型