胡莎莎，朱永北，董 迪，王 蓓，王 驰，周作福，徐保平，刘秀云，彭 芸*

(1.国家儿童医学中心 首都医科大学附属北京儿童医院影像中心，5.呼吸科，北京 100045；2.北京航空航天大学医学科学与工程学院，北京 100191；3.中国科学院自动化研究所，北京 100190；4.福建省妇幼保健院放射科，福建 福州 350000)

肺炎是全球范围内儿童住院和死亡的主要原因，每年有近1.2亿新发病例和100万儿童死亡[1]；儿童社区获得性肺炎(community acquired pneumonia，CAP)占全世界5岁以下儿童死亡总数的16%[2]。CAP常见病原为病毒、细菌和肺炎支原体(mycoplasma pneumoniae，MP)，针对不同病原体治疗方法亦有所不同。胸部X线摄影是影像学检查呼吸系统疾病的主要方法之一[3]，诊断儿童CAP的挑战在于临床症状、炎症标志物和放射学征象虽可在一定程度上提示病原体，但并不能完全区分[4-5]。基于深度学习(deep learning，DL)的人工智能算法已逐渐用于识别及诊断胸部病变[6-9]。本研究评价以胸部X线片训练卷积神经网络(convolutional neural network，CNN)模型诊断儿童不同病原CAP的价值。

1 资料与方法

1.1 研究对象 回顾性分析2013年1月—2018年12月1 769例于首都医科大学附属北京儿童医院临床诊断的CAP患儿，男1 107例，女662例，年龄10天～18岁，平均(3.3±3.1)岁；根据病原学诊断分为病毒组(n=487)、细菌组(n=496)及MP组(n=786)。排除标准：①合并其他局部或全身性疾病；②胸部X线片质量不佳。检查前患儿家属均签署知情同意书。

1.2 仪器与方法 采用Kodak Healthineers DR7500全数字化X线摄影系统，行站立后前位或前后位投照或仰卧位投照；靶片距100～160 cm，根据患儿年龄及体质量设定曝光条件。

1.3 图像分析 由2名具有5年以上工作经验的影像科医师在不知晓病原学诊断的情况下独立阅片，观察病变部位及密度特点，并记录是否出现空洞、胸腔积液、胸膜增厚或肺过度通气情况等，意见不一致时经协商达成一致。……