胸片，估计大家都见过。站在机子前，操作室的门一关一开，不少肺部和心血管的问题就从片子上显现出来了，方便便宜，辐射剂量也很低。不过，由于胸片中不同结构的影像重叠在一起，再加上成像并不十分清晰，一些较小的病灶难以发现，限制了胸片的使用。比如在肺癌的筛查中，低剂量螺旋CT相比胸片筛查，就能减少20%的肺癌死亡。但其实，胸片中的信息还有很大的挖掘空间。近日，哈佛大学的Michael Lu和Udo Hoffmann等，使用深度学习技术对胸片进行了研究，在两个不同的数据集中预测了参与者们6年和12年内的死亡风险，风险最高的组别的死亡风险分别达到了最低组的15.2倍和18.3倍。相关研究发表在JAMA Network Open上。

这是第一个使用深度学习，通过胸部x线片预测长期预后的研究！

胸片可以说是最为常见的影像学检查了，中间一条脊柱，两边好几对肋骨，成为了不少人对x光片最初的印象。按美国医保统计，每1000位患者，一年内要拍1039张胸片，平均每人都拍了一张多点。

在这些胸片中，大多数只是为了排除下肺炎等特定疾病，算是正常胸片。但说是正常，也难免有一点点小异常，像什么主动脉上的小钙化斑，或者略微扩张的心脏。这些细微的异常，现在或许没什么临床意义，但毕竟影像医生能看的只是这一张片子，如果能结合上患者多年后的情况，或许可以挖掘出胸片里更多的信息，预测出患者多年后的死亡率。

正好，现在有了深度学习技术，只要有大量的数据，就可以让程序自己去学习读片，给出我们需要的信息。像肺炎这种比较简单常见的疾病，已经有了诊断用的深度学习模型。

研究人员获取了PLCO试验中52320人的数据，其中既有吸烟者也有不吸烟者，年龄从55——74岁不等，使用其中80%参与者的数据训练机器学习模型CXR-risk。而剩余20%，以及另一项NLST研究中5493名重度吸烟者的数据，被用来检测训练成果。

同时，研究人员还通过这些参与者的自我报告，获得了他们的年龄、性别、吸烟状况、糖尿病、高血压、BMI，以及心梗、中风和癌症病史等基线风险因素信息。

而这些参与者的胸片中，放射科的医生也发现了肺结节、肺不张、肺纤维化和心脏肥大等等问题。

在用来检验成果的10464名PLCO参与者中，51.6%是男性，平均年龄62.4岁，中位随访12.2年。在共117619人年的随访记录中，有1402人死亡，全因死亡率13.4%。

根据CXR-risk评分，研究人员将这些参与者分为极低风险、低风险、中风险、高风险和极高风险五组。这五组在随访中的死亡率分别为3.8%、7.8%、12.7%、24.9%和53.0%。风险最高和最低的组间，死亡风险足足差了17.3倍！

死亡率和CXR-risk评分分组间显著相关

相比之下，患有糖尿病的参与者和胸片中被发现有肺结节的参与者，死亡风险也分别只是提高了1.7倍和0.5倍。

在排除了基线风险因素和各种胸片诊断的影响后，CXR-risk评分依然与死亡风险有着显著的关联。极高危组的参与者死亡风险还是比极低危组的高了3.8倍。

其中基线时身体健康，没有心梗、中风和癌症病史的参与者，死亡风险也仍跟CXR-risk评分显著相关。相比极低危组的参与者，低危组、中危组、高危组和极高危组的死亡风险分别高了0.5倍、0.7倍、1.6倍和3.8倍。

排除基线风险和胸片诊断前后各组的死亡风险

进一步分析显示，在排除了基线风险因素和放射科医生的诊断后，最高危组参与者因肺癌、心血管系统疾病和呼吸系统疾病的死亡风险，依然分别比最低危组高了10.1倍、2.6倍和26.5倍。

而在全身重度吸烟者的NLST参与者中，CXR-risk评分的表现也同样出色，中位6.3年的随访中，极高危组参与者的死亡风险比极低危组高了14.2倍，排除基线风险因素和胸片诊断的影响后依然要高6.0倍，其中肺癌、心血管系统疾病和呼吸系统疾病的死亡风险分别高了7.4倍、46.8倍和30.9倍。

论文第一作者Lu认为，如果把基因和吸烟状况等其他风险因素结合起来，这项新工具将会更加准确。早期发现有风险的病人可以更多地参与预防和治疗项目。他表示：“这是一种从日常诊断测试中提取预后信息的新方法，这些本就存在但没被利用的信息，可以帮助我们改善公众健康。”

关于胸片

胸片就是胸部的χ片，临床上都叫胸片。