特发性肺纤维化（IPF）是一种进展性、常致死的间质性肺疾病（ILD），其特征为高分辨率计算机断层扫描（HRCT）和 / 或手术活检组织病理学检查显示普通型间质性肺炎（UIP）模式。2018 年，美国胸科学会（ATS）、欧洲呼吸学会（ERS）、日本呼吸学会（JRS）和拉丁美洲胸科学会（ALAT）发布的 IPF 诊断指南将 HRCT 分为四类：“UIP”“可能 UIP”“UIP 不确定” 和 “其他诊断”，2022 年更新版对这四类仅做微小修改后保留。这种 CT 模式分类是标准化 IPF 评估和管理的重要里程碑，根据该指南，若 HRCT 结果在适当临床背景下符合 UIP 或可能 UIP 模式标准，可诊断 IPF 而无需手术肺活检。然而，ILD 的放射学评估需要经验和专业知识，即使在放射科医生中，CT 模式分类的观察者间一致性也不足，报告的 kappa 值为 0.32-0.62。

近年来，已有多项尝试将深度学习算法应用于 IPF 诊断的 CT 模式分类，这些研究验证了完全自动化的基于深度学习软件与人类放射科医生相比的性能，证明其在可靠 UIP 模式分类中提供决策支持的潜力，尤其在缺乏足够胸部影像专业知识的中心。Walsh 等人报告称，该算法在由显示弥漫性纤维化肺疾病的 CT 扫描组成的测试集上诊断准确率为 73.3%，优于 91 名胸部放射科医生中的 60 名（66%），放射科医生的中位准确率为 70.7%。然而，基于深度学习的算法作为决策支持工具在放射科医生评估中的附加值很少被研究，此外，算法结果如何与放射科医生的解读相互作用也存在不确定性。ILD 的 CT 扫描解读需要大量经验，在评估多种放射学模式或疾病分布时易受主观性影响。因此，基于内容的图像检索（CBIR）作为一种具有从数据库中分类、索引和检索外观相似图像工具的图像搜索引擎，可作为客观且可重复的 UIP 模式分类的诊断辅助工具。Choe 等人提出的结合基于深度学习的 ILD 区域疾病模式量化和分类的 CBIR 系统，提高了 ILD 的诊断准确性（CBIR 前 46.1%，95% 置信区间 37.1-55.3；CBIR 后 60.9%，95% 置信区间 51.8-69.3，p<0.001），以及不同经验水平读者间的观察者间一致性（CBIR 前后 Fleiss k 分别为 0.32 和 0.47，p=0.005）。

最近，发表在European Radiology 上的一篇文章探究了基于内容的相似胸部 CT 图像检索（CBIR）是否能辅助不同经验水平阅片者进行普通型间质性肺炎（UIP）的 CT 模式分类。

回顾性纳入 2013-2015 年间因纤维化间质性肺疾病初次检查而行高分辨率胸部 CT 的患者，由三名胸部放射科医生对 CT 图像进行 UIP 分类作为金标准，选取 100 例患者作为查询病例。CBIR 通过深度学习算法检索出 UIP 分类最相似的前三例 CT 图像，评估九名阅片者在 CBIR 前后的诊断准确性及观察者间一致性。

研究纳入 587 例患者（平均年龄 63 岁，356 例男性），选取 100 例查询病例（26 例 UIP 模式、26 例可能 UIP 模式、5 例 UIP 不确定、43 例其他诊断）。CBIR 后，平均准确率从 61.3% 提升至 67.1%（p=0.011），观察者间一致性（Fleiss Kappa）从 0.400 提升至 0.476（p=0.003）。除 UIP 不确定外，放射科医生组对所有 CT 模式的准确率在 CBIR 后均有提高，但未达统计学意义；住院医师和肺科医生组结果不一：UIP 模式准确率下降，其他诊断准确率上升，其余模式表现各异。

表 在九位阅片者中应用图像检索辅助系统前后，对 UIP CT 图像模式分类的准确性评估

本项研究表明，CBIR 可轻微提升 UIP 模式分类的诊断准确率和观察者间一致性，但其影响因阅片者经验水平而异，提示当前 CBIR 系统或可作为辅助工具补充经验丰富阅片者的解读。

原文出处：

Sohee Park,Hye Jeon Hwang,Jihye Yun,et al.Influence of content-based image retrieval on the accuracy and inter-reader agreement of usual interstitial pneumonia CT pattern classification.DOI:10.1007/s00330-025-11689-9

Tags： European Radiology：基于内容的图像检索对常规间质性肺炎CT分型准确性和一致性的影响