[embedyt] https://www.youtube.com/watch?v=6opJVhfH2IE[/embedyt]
Thoracic
胸部
Using Quantitative Computed Tomographic Imaging to Understand Chronic Obstructive Pulmonary Disease and Fibrotic Interstitial Lung Disease. State of the Art and Future Directions.
使用定量的计算机断层扫描成像技术诊断慢性阻塞性肺疾病和纤维间质性肺疾病：新技术及未来趋势
Castillo-Saldana, D., et al. (2020). “Using Quantitative Computed Tomographic Imaging to Understand Chronic Obstructive Pulmonary Disease and Fibrotic Interstitial Lung Disease: State of the Art and Future Directions.” J Thorac Imaging 35(4): 246-254.
Key Words: COPD, ILD, Quantitative CT
关键词：慢性阻塞性肺疾病；间质性肺疾病；定量CT成像
来自圣保罗医院和不列颠哥伦比亚大学的研究人员报道了关于定量CT（QCT）在慢性阻塞性肺疾病（COPD）和间质性肺疾病（ILD）领域中的应用。 Ryerson等人提出QCT可用于定性评估COPD和ILD这两种复杂疾病类型的诊断及病程进展随访。在诊断COPD时QCT可以准确地显示肺气肿区域、发现气道增厚、进行支气管树3D重建以发现终末细支气管的早期病变。 QCT在COPD临床应用的主要的局限性包括电离辐射的暴露、CT扫描仪和患者的可变性，以及手工后处理引起的质量控制问题。QCT可以在通过检测肺实质密度变化并绘制密度直方图，在随访ILD的疾病进展时起重要作用。这些客观数据与定性评估相结合可为临床医生随访高危患者群体的疾病进展和治疗效果提供一种更精确的方法。QCT的定量算法在临床应用之前仍需要进行较大的改进，但现在的结果已经是十分令人鼓舞的发展。
COVID
冠状病毒
Pulmonary Thromboembolism in COVID-19: Venous Thromboembolism or Arterial Thrombosis?
COVID-19中的肺栓塞：静脉血栓栓塞还是动脉血栓形成？
Ferrari, F., et al. (2020). “Pulmonary Thromboembolism in COVID-19: Venous Thromboembolism or Arterial Thrombosis?” RSNA
Cavagna, E., et al. (2020). “Pulmonary Thromboembolism in COVID-19: Venous Thromboembolism or Arterial Thrombosis?” Radiology: Cardiothoracic Imaging 2(4): e200289.
https://pubs.rsna.org/doi/10.1148/ryct.2020200289
Key Words: COVID-19, Pulmonary Embolus, Thromboembolism
关键词：COVID-19，肺栓塞，血栓栓塞
Cavagna等意大利的放射学家提供了将新型冠状病毒危重症患者与血栓栓塞相关联的视角。COVID-19患者被发现有更高的的肺动脉栓塞（PE）发生率，更令人担忧的是危重症患者的发病率更高。 在这项回顾性研究中， 109例COVID-19患者表现疑似PE的症状而且行CT肺血管成像（CTPA）排除肺栓塞被纳入该研究。采用半定量评分（0-5）的方法来评估患者的5个肺叶受累情况，当 患者CT评分较高且实验室值出现异常（例如LDH，CRP和d-dimer）时肺血栓栓塞发生率更高。血液高凝状态易累及最易被COVID感染的肺实质的肺段动脉（90.2％）和亚肺段动脉（61％）。作者推测肺动脉血栓形成可能是继发于局部肺部炎症和高凝状态，而非栓子所致。尽管本研究未能证实这一假设，但作者借鉴了其他的研究成果对其假设进一步论证，也希望将来可以通过更大宗的数据的研究来验证其假设。
Radiological Society of North America Chest CT Classification System for Reporting COVID-19 Pneumonia: Interobserver Variability and Correlation with RT-PCR
北美放射医学会COVID-19肺炎的胸部CT分类和报告系统：观察者间的差异性及与RT-PCR结果的相关性
Jaegere, T. M. H. d., et al. (2020). “Radiological Society of North America Chest CT Classification System for Reporting COVID-19 Pneumonia: Interobserver Variability and Correlation with RT-PCR.” Radiology: Cardiothoracic Imaging 2(3): e200213.
Keywords: COVID-19, RSNA Classification, CORADS
关键词：COVID-19，RSNA分类方法，CORADS
https://pubs.rsna.org/doi/10.1148/ryct.2020200213
荷兰祖德兰医学中心的放射科医生探讨了放射科医生在使用RSNA的 COVID-19胸部CT分类系统和COVID-19报告和数据系统（CO-RADS）时的观察者间一致性；并将结果与患者的PCR结果进行对照。在96例患者胸部CT的回顾性分析中，两名放射科主治医师和一名具有5年工作经验的住院医师分别使用RSNA胸部CT分类系统和CORADS分类系统分析观察者间的差异性。放射科医生根据COVID的表现将CT分为“典型”、“不确定”、“不典型”或“阴性”几类。本研究发现两名主治医师的观察间一致性较好，而主治医师与住院医师的观察者间一致性一般。然后他们将CT分类的结果与患者的COVID的RT-PCR 测试结果进行比较。45例RT-PCR 测试阳性的患者的CT分类为“典型”的阳性率为 76.9-96.6％，“不确定”的阳性率为 51.2-64.1％，“非典型”的阳性率为2.8-5.3％，“阴性”的阳性率为20-25％。“不典型”的阳性率低是由于合并其他肺部疾病。“阴性”中阳性率较高值得思考。作者推测由于影像学表现会随时间变化，该组中可能有患者尚未表现出与COVID-19感染相关的影像学表现。作者也使用CO-RADs分类系统，对于不可忽视的CO-RADS 1类的阳性率，观察者间一致性相似。本研究结果与临床实践较为相似，COVID患者在疾病病程的不同时间段出现临床症状，因此CT应用于冠状病毒的筛查作用有限。 由于严重的COVID-19感染与疾病的高发病率和高死亡率相关， CT对COVID-19患者的治疗中有价值。
Cardiac
心脏
Feasibility of Cardiovascular Four-dimensional Flow MRI during Exercise in Healthy Participants.
健康志愿者运动过程中行心血管4D Flow MRI的可行性分析
MacDonald, J.A., et al. (2020). “Feasibility of Cardiovascular Four-dimensional Flow MRI during Exercise in Healthy Participants.” Radiology: Cardiothoracic Imaging 2(3):e190033
Keywords: Cardiac MRI, 4D-Flow
关键词：心脏MRI，4D-Flow
https://pubs.rsna.org/doi/10.1148/ryct.2020190033
Macdonald等人分析评估了在运动过程中自由呼吸的4D flow MRI的价值。10名健康志愿者在静息及运动时行心脏MRI检查纳入本研究，标准的运动方案是通过一个仰卧位的MRI兼容的阶梯式步进设备上进行的。本回顾性研究通过使用门控减少呼吸运动伪影，EKG门控减少心脏运动。本研究使用4D flow扫描方案评估静息和压力状态下检查中心脏收缩期和舒张期的搏动量（SV）和心室动能（KE）。他们发现，与静息状态相比，运动时心输出量增加；有趣的是，在静息时，右心室动能（KERV）显著增加，但左心室动能（KELV）和SV无变化。 既往研究证明SV很少受到仰卧运动的影响。与KELV相比，收缩期的KERV显著性增高，而舒张期的KERV差别不大。由于左心室KE受到运动的影响不大， 4D stress MRI的作用有限。 但是KERV受到运动的影响，4D flow MRI可作为评估右心疾病的有价值的方法。由于在心室掩蔽征象和KE估计方面的观察者间和观察者内的一致性比较差，在当前临床应用中仍存在明显的局限性。
Machine Learning
机器学习
Value of Machine Learning-based Coronary CT Fractional Flow Reserve Applied to Triple-Rule-Out CT Angiography in Acute Chest Pain.
基于机器学习的冠状动脉CT的分数血流储备应用于急性胸痛三联征的CT血管造影扫描的价值
Schoepf, U.J., et al. (2020) “Value of Machine Learning-based Coronary CT Fractional Flow Reserve Applied to Triple-Rule-Out CT Angiography in Acute Chest Pain.” Radiology: Cardiothoracic Imaging 2(3):e190137
Keywords: Machine Learning, Triple Rule Out (TRO), Fractional Flow Reserve (FFR), CT Coronary Angiography
关键词：机器学习，急性胸痛三联征（TRO），分数血流储备（FFR），CT冠状动脉造影
https://pubs.rsna.org/doi/10.1148/ryct.2020190137
南卡罗来纳州医科大学的放射学家探究了机器学习在急性胸痛三联征的CT血管造影（TRO）估算血流储备分数的应用。 Schoepf等人回顾分析了具有低至中度的心脏病的159例患者的TRO结果。应用深度学习算法计算分数流量储备（FFR）。FFR在评估严重的阻塞性冠状动脉疾病显示高度的诊断准确性，可评估非卧床状态患者的冠状动脉疾病（CAD）。该研究组尝试在紧急情况下使用非商业的实时的FFR计算方法确定有血液动力学上明显的狭窄，并以冠状动脉介入或主要心血管不良事件（MACE）为标准。FFR <0.8考虑为血液动力学上明显的狭窄。 在行TRO检查的患者中，有55％的患者为明显狭窄（> 50％），5％为严重狭窄（> 70％）。52％的患者的FFR结果与TRO表现相一致：其中，55％有冠状动脉显著狭窄且FFR <0.8，而45％的FFR> 0.8且TRO无明显狭窄。在病例回顾中，他们发现27.5%的患者进行冠状动脉重建术或发生严重的MACE事件，而那些FFR<0.8的患者较同龄人更易发生这两类不良事件。值得注意的是，行TRO检查的患者中有67％接受了进一步的检查，这是一种相对常见的现象。作者认为，FFR <0.8可能有助于提示患者存在增加的风险而且需要进一步检查。 然而，4名FFR> 0.8的患者进行了冠脉血管重建术， 因此，如果将FFR作为进一步冠脉重建术的临界值，那么这4例患者可能会错过介入治疗的机会。还应注意的是，有54％的患者同时接受TRO和SPECT检查，有48％同时接受了TRO和负荷超声心动图检查，这两者的发现并不一致。其中， 其中3例患者的FFR> 0.8，且负荷SPECT / CT为阳性。但是，这项研究是回顾性的研究，未使用FFR <0.8值作为治疗决定的参考临界值，因此，现在仍未清楚最终有多少患者是阴性结果。在中低风险CAD患者中TRO增加FFR对评估急性胸痛有一定的补充价值。
CT-based True- and False-Lumen Segmentation in Type B Aortic Dissection Using Machine Learning.
基于机器学习的B型主动脉夹层真假腔的CT分割
Hahn, L.D., et al. “CT-based True- and False-Lumen Segmentation in Type B Aortic Dissection Using Machine Learning.” Radiology: Cardiothoracic Imaging 2020; 2(3): e190179
Keywords: Aortic Dissection, Machine Learning
关键词：主动脉夹层，机器学习
https://pubs.rsna.org/doi/10.1148/ryct.2020190179
斯坦福大学的研究人员利用逐步卷积神经网络（CNN）自动生成单纯的B型主动脉夹层的多平面重建（MPR）图像，并分割真腔（TL）和假腔（FL）。Hahn, L.D. 等人回顾分析45例患者153个主动脉CT血管造影（CTA）的图像，这些患者被随机分配到训练组、验证组和测试组，然后输入CNN中逐步分割。分割的步骤包括在横轴面上识别主动脉，利用主动脉内的平均密度确定主动脉中心线，从中心线生成正交平面上的MPR，然后将主动脉夹层分割为TL和FL，最后将MPR转换回横轴平面。自动分割与内部对照组（测试组）及心胸放射科医生手动勾画主动脉分割进行比较。本研究的终点包括Dice相似系数（DSC）和边缘间的平均Euclidean距离（mm）。他们还发现，DSC的平均值在0.873-0.9之间，在验证组和测试组间不存在明显差异，这表明自动分割精确高。同时，平均Euclidean 距离<3mm。自动分割还生成了TL、FL和主动脉的长度图，使得放射科医生能够定量评估容积。这对病人治疗十分重要，因为主动脉直径可用于主动脉介入治疗的分流。当前临床应用尚不需要专业人士进行手工输入，TL和FL的识别可能会出现错误（在3.8%的研究中被报道）。作者还提出测试组和验证组研究对象相同，CNN会产生偏倚。随数据集和患者的增加，CNN应该能够鉴别更广泛的主动脉夹层的亚型。由于CT扫描仪、患者身体状态/解剖和噪声的内在的差异性，多数AI算法在现实中会遇到困难。但随着人工智能的改进，它无疑将成为临床医生监测单纯B型主动脉夹层的可靠工具。
References
