基于内容的图像检索（CBIR）是机器学习的一种应用，可缓解手动在大型数据库中搜索数字图像的挑战。与分析文本、关键词或其他元数据的传统搜索技术相比，CBIR分析的是图像的 "内容"。一般来说，CBIR允许自动搜索与所选图像或图像的一部分相似的图像。此外，这种搜索可以通过添加传统的非成像信息来缩小范围，并且特定的CBIR系统是根据这种数据训练而成的。在放射学领域，它允许放射科医生查询当前研究中的图像，并自动接收来自本地图片存档和通信系统（PACS）或在线图像数据库的类似病例。除了提供类似病例外，一些CBIR系统还提供特定病例的教育内容或与病例相关的在线教育信息链接，这将有助于放射科医生缩小鉴别诊断的范围。

到目前为止，评估CBIR系统在临床环境中价值的相关研究十分稀少。近日，发表在European Radiology杂志的一项研究评估了CBIR诊断支持系统（CBIRS）对放射科医生评估疑似DPLDs患者胸部CT扫描的阅读时间和诊断准确性的影响，为减轻放射科医生工作负担及诊断准确性提供了技术支持。

本研究由8名放射科医生（4名住院医生，4名主治医生，阅读胸部CT扫描的中位年限分别为2.1±0.7和12±1.8）共阅读了108张回顾性收录的胸部CT扫描图像，其中有22个独特的、经临床和/或组织病理学验证的诊断结果。放射科医生在一个经过认证的放射科工作站阅读并提供疑似诊断，以模拟临床常规工作。一半的阅读者是在没有CBIRS的情况下进行的，一半是在CBIRS的支持下进行的。CBIRS从6542张薄层CT扫描的大型数据库中检索出19种肺部特定模式中最有可能的模式，并提供相关信息。 

尽管当CBIRS可用时，放射科医生仍更频繁地搜索额外的信息（154 [72%] vs. 95 [43%], p < 0.001），但阅读时间减少了31.3%（p < 0.001）。当CBIRS可用时，总体诊断准确性有提高的趋势（42.2% vs 34.7%，p = 0.083）。 

图 在基线和干预阶段的全部阅读时间的模型，置信度为95%

本研究表明，在阅读疑似DPLD患者的胸部CT时，如果有CBIRS辅助的情况下，尽管阅读者更频繁地搜索额外的信息，但总体上阅读时间减少了31%，同时存在改善诊断准确性的趋势。

原文出处：

Sebastian Röhrich,Benedikt H Heidinger,Florian Prayer,et al.Impact of a content-based image retrieval system on the interpretation of chest CTs of patients with diffuse parenchymal lung disease.DOI:10.1007/s00330-022-08973-3