摘要
本研究旨在检验以生成可视化原理（GVRs）作为胸部征象神经网络学习的工具来评价充血性心力衰竭（CHF）的价值。
本研究旨在检验以生成可视化原理（GVRs）作为胸部征象神经网络学习的工具来评价充血性心力衰竭（CHF）的价值。
本研究共纳入了46712例患者，共行103489次胸片检查，并分为标记数据组（有B型钠尿肽结果）和未标记数据组（无B型钠尿肽结果）。利用生成模型对非标记数据进行训练，神经网络模型对编码显示的已标记数据进行训练来评估BNP。利用该模型观察无病变、高BNP健康人胸片征象。生成100GVRs。利用拟合模型进行比较。由两名CHF诊断专家采用盲法进行评估ROC曲线下面积、κ因子、混合效应logistic回归进行统计学分析。
结果为，以BNP100 ng/L作为最佳截断值预测CHF，校正训练模型ROC曲线下面积为0.82。GVRs评估显示校正训练模型对BNP升高常规胸片诊断CHF要较过度拟合模型要好，包括心脏扩大(153 [76.5%] / 200 vs 64 [32%] / 200(47 [23.5%] / 200 vs 16 [8%] / 200； P = .003)， respectively； P < .001)、胸腔积液。
本研究表明，利用生成可视化原理神经网络评价充血性心力衰竭胸片征象是可行的，能够检出偏倚。
原始出处：
Seah JCY， Tang JSN， Kitchen A，et al.Chest Radiographs in Congestive Heart Failure： Visualizing Neural Network Learning.Radiology.DOI：10.1148/radiol.2018180887
