文献速递胸部CT

自动化气道定量分析与特发性肺纤维化患者死亡率相关

Automated airway quantification associates with mortality in idiopathic pulmonary fibrosis.
PubMed 文献 · Eur Radiol · 2023-07-28

在90例特发性肺纤维化患者的观察性队列中,AirQuant自动计算第2至6级气道的节段间渐细和节段迂曲度;多变量Cox分析(校正FVC)显示节段间渐细(HR=0.75,95%CI=0.66-0.85,p<0.001)和节段迂曲度(HR=1.74,95%CI=1.22-2.47,p=0.002)独立与死亡率相关,校正DLco后结果维持。

要点

  • 节段间渐细降低和节段迂曲度增加独立关联IPF患者死亡风险升高。
  • 近端(第2至6级)气道异常在IPF中通常不被认为异常,但具有预后价值。
  • 自动化气道定量可辅助评估疾病严重程度,不限于远端气道树。

核心结论

  • AirQuant生成的节段间渐细和节段迂曲度测量独立关联IPF患者死亡率。
  • 近端气道代数(通常不认为异常)的异常具有预后价值。
  • 自动化气道分析可用于估计疾病严重程度,在IPF中不限于远端气道树。

研究设计与样本

  • 观察性队列研究,纳入土耳其伊兹密尔Ege大学医院2008至2015年多学科团队诊断的IPF患者90例。
  • 纳入标准为多层螺旋吸气相CT(层厚<1.25mm),排除随访不足3个月、CT层厚>1.25mm、感染、肺癌、可能急性加重及图像质量差者。
  • AirQuant自动计算第2至6级气道节段间渐细和节段迂曲度,节段间渐细为相邻气道段中位直径差值。
  • 采用单变量及多变量Cox比例风险模型,后者校正年龄、性别、吸烟状态、抗纤维化药物使用、CT UIP模式及FVC或DLco(CT前3个月内)。
  • 参考标准为多学科团队IPF诊断,视觉CT评估由15年胸部影像经验的专科放射科医生完成。

关键影像表现/征象

  • IPF的CT标志为胸膜下、基底和下叶为主分布的蜂窝囊肿和牵拉性支气管扩张。
  • 牵引性支气管扩张代表邻近间质纤维化收缩牵拉气道壁。
  • 蜂窝囊肿和牵拉性支气管扩张共存于胸膜下、基底和下叶为主分布时归为UIP模式。
  • 相同分布的牵拉性支气管扩张无蜂窝囊肿时归为可能UIP模式。

诊断标准与关键数值

  • 多变量Cox分析(校正FVC)显示节段间渐细HR=0.75(95%CI=0.66-0.85,p<0.001)与死亡率独立相关。
  • 多变量Cox分析(校正FVC)显示节段迂曲度HR=1.74(95%CI=1.22-2.47,p=0.002)与死亡率独立相关。
  • 校正DLco后节段间渐细和节段迂曲度与死亡率的关联维持。
  • 总节段数在校正DLco时独立关联死亡率,校正FVC时呈接近显著趋势。

临床应用与阅片要点

  • AirQuant自动识别气道分支点并按肺叶分类气道段和层级代数,可系统分析气道。
  • 气道图可视化以气道直径比例显示边缘大小,有助于 delineate 牵拉性支气管扩张区域。
  • 作者认为自动化气道分析可用于优化IPF治疗试验的患者选择。

局限性

  • CT采集异质性和呼吸伪影使某些病例的气道深部分割困难,重症患者CT更常被排除。
  • AirQuant在分割充分时失败率仅2%,但结果需在验证人群中确认。
  • 未分析气道直径和分支长度,因这些指标受患者身高、年龄、性别和种族混杂。
全文中译10 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. Author manuscript; Available in PMC 2023 Oct 26.

缩写

置信区间

慢性阻塞性肺疾病

计算机体层扫描

一氧化碳弥散量

用力肺活量

风险比

亨氏单位

间质性肺疾病

特发性肺纤维化

肺部工具包

统计产品与服务解决方案

加强流行病学观察性研究报告规范

普通型间质性肺炎

引言

特发性肺纤维化(IPF)是一种慢性进行性纤维化肺疾病,通过肺部计算机体层扫描成像进行诊断。IPF的一个标志性特征是CT上出现蜂窝状囊肿和牵拉性支气管扩张,呈胸膜下、基底下叶为主的分布[1]。牵拉性支气管扩张代表由于邻近肺间质间隙的纤维化收缩而使气道壁被拉开。当蜂窝状改变和牵拉性支气管扩张以胸膜下、基底下叶为主的分布共存时[1],患者可被归为普通型间质性肺炎(UIP)型。当牵拉性支气管扩张以相同分布出现但无蜂窝状囊肿时,患者被归为可能普通型间质性肺炎(UIP)型[1]。INPULSIS试验及其他研究的事后分析表明,UIP型和可能UIP型与死亡率的关联相似,突显了CT上分布适当的牵拉性支气管扩张的预后重要性[2]。

在过去15年中,大量研究探讨了IPF影像生物标志物与患者生存之间的关系。虽然这些研究最初集中于视觉CT分析[3, 4],但近年来计算图像分析的进展,包括机器学习和深度学习,已利用现代IPF成像的容积性质来考虑三维成像生物标志物。由肺动脉、肺静脉及相关纤维化组成的血管相关结构已被证明与多种纤维化肺疾病患者的死亡率密切相关[5–9]。鉴于在纤维化肺疾病患者中视觉评分牵拉性支气管扩张的预后重要性[7, 10],IPF中气道异常的计算测量可能有望成为预后生物标志物。

因此,我们的研究旨在检验一种新的气道测量算法(AirQuant)产生的自动气道指标是否与IPF患者群体的死亡率相关。我们特别检验了肺近端气道段(至第六级气道分支)的测量指标是否与死亡率相关,这些部位传统上在IPF中不被认为异常。

材料与方法

在这项观察性队列研究中,从土耳其伊兹密尔埃格大学医院(2008年至2015年间诊断为IPF)确定了经多学科团队诊断为IPF且具有容积吸气相CT(层厚<1.25 mm)的患者。获取的临床信息包括CT采集时的患者年龄、性别、吸烟状态(从不 versus 曾经)、抗纤维化药物使用(从不 versus 曾经)、CT后3个月内获得的用力肺活量(FVC)和一氧化碳弥散量(DLco)、患者生存状态及随访时间。

CT排除标准包括CT层厚>1.25 mm、有肺部感染的影像学证据、肺癌和/或CT上可能存在的急性加重,以及CT扫描质量妨碍视觉评估。基线CT后随访不足3个月的患者被排除。所有病例均有气道分割图、肺叶分类和代际分布,由两名观察者(J.J.和A.P.)进行视觉评估,被认为计算失败的病例被排除。计算排除标准包括气道分割质量差、使用肺部工具包后出现分割错误以及肺叶分类错误(图1)。这项对临床指征性肺功能和CT数据的回顾性研究获得了当地研究伦理委员会和Leeds East研究伦理委员会的批准:20/YH/0120。

CT视觉评估

一位具有15年胸部影像经验的专科放射科医师(J.J.)在基线CT上确定了间质性肺病(ILD)的肺叶百分比(磨玻璃密度、网状影、牵拉性支气管扩张体积和蜂窝囊肿的总和,在六个肺叶中取平均值[11])以及是否存在普通型间质性肺炎(UIP)标准[1](确定、可能、不确定)。按照既往纤维化性肺病研究[5–9, 11, 12],舌叶被视为第六个肺叶。所有UIP模式不确定的患者均有UIP的组织病理学确认。牵拉性支气管扩张的范围和严重程度在每个肺叶的前六代气道中进行评分,以将结果与AirQuant进行比较。牵拉性支气管扩张范围代表一个肺叶中含有牵拉性支气管扩张的气道段数量,下肺叶最高评分为3,以避免对一个肺叶的过度加权。牵拉性支气管扩张范围在各肺叶间求和,肺部最高评分为16(包括上肺叶和下肺叶最高评分3,中肺叶最高评分2)。牵拉性支气管扩张严重程度代表对一个肺叶中牵拉性支气管扩张看起来为轻度、中度或重度主观评估。每个肺叶最高评分为3,肺部总最高评分为18。

基于计算机的CT评估

CT影像上的计算气道分析是一个两阶段过程。第一阶段构成肺气道分割。目前有几种专有和开源工具可用于获取肺气道分割。分割工具可能表现出不同的性能。前六代气道的可靠分割被认为是分割工具的理想性能。我们开发了一种内部气道分割工具,将其用作我们的气道量化流程的输入。

气道分割

气道分割算法结合了使用肺工具包[13](PTK)软件获得的气道分割和使用二维扩张U-NET的自主研发深度学习分割。与深度学习模型相比,PTK软件改善了对气管和一级支气管的分割。与PTK相比,二维U-NET模型改善了对远端气道分支的分割。二维U-NET模型使用来自健康受试者和IPF患者CT的25个手动分割气道树进行训练。用于训练U-NET模型的CT均未用于本研究中。将肺工具包和二维扩张U-NET产生的气道分割进行合并。随后应用形态学闭运算 procedure 以重新连接分割后断开的气道段。通过执行最大连通分量 procedure 获得最终气道树掩膜。

计算气道分析的第二阶段包括评估骨架化气道分割。我们开发了一种名为AirQuant的计算气道工具,该工具可自动识别气道分支点,并将分支点之间的气道长度按肺叶 basis 分类为气道段和分层气道级。

使用AirQuant进行气道定量

本研究的关键目的是评估AirQuant的性能。AirQuant的技术细节此前已有描述[14],此处简要总结。选择层厚<1.25 mm的CT进行分析, viewing时采用标准化窗位−500 HU和窗宽1500 HU。使用AirQuant[14]计算气道管腔直径和长度,并据此得出CT扫描上所有已分割气道的测量值。AirQuant分一系列步骤运行。(1)通过从气管传播分裂波[13]并对气道应用细化以得出气道骨架[15],从气道分割中得出无环骨架。(2)将骨架转换为图,将气道段分离为独立组件。气道段定义为分裂点或端点之间的单一分支。(3)气道段被自动分类至其所属肺叶,其中舌叶被解释为左中叶。每次气道分叉即产生一个新的气道分级,气道分级从气管开始顺序计数。气道段根据其肺叶分级进行分类。(4)使用多项式样条促进沿分支长度的插值,以便按间隔进行测量。该间隔动态设置为给定图像最小体素尺寸的一半。例如,若体素尺寸为[x = 0.8, y = 0.8, z = 1.0] mm,则间隔将设置为每0.4 mm测量一次气道段中心线。(5)在选定的样条间隔处得出垂直气道CT切片。这些切片的大小最大为40 × 40 mm,足以框定气道边界。(6)使用半高全宽边缘提示分割限制技术[15]在这些插值切片上进行测量。从气道中心向外以多个角度取强度轮廓,并将气道壁建模为高斯曲线。高斯曲线的内缘被确定为气道管腔的内边界。然后对这些边界点拟合椭圆。用于代表该点气道的直径通过2 × 半径计算,其中半径代表短轴半径与长轴半径乘积的平方根。

以这种方式对气道进行建模,可以对气道进行系统分析。本研究中评估的AirQuant变量包括段间渐细、段性扭曲度和总段数。段间渐细表示某一气道段的平均直径与其父级(近端)气道段的平均直径之差,再除以父级气道段的平均直径(图2)。沿某一气道段进行一系列直径测量。测量间隔根据每例病例所给定图像的体素尺寸设定。某一气道的平均直径是这些直径测量值的均值。由于当气道延伸进入纤维化肺时,气道直径不会如预期那样渐细/变窄,因此气道段间渐细/变窄预期会减小。段性扭曲度的测量依赖于计算某一气道段的欧几里得长度。欧几里得长度由气道样条曲线起点和终点之间的弧长确定(图2)。弧长与欧几里得长度的比值(图2)表示该段的扭曲程度,我们预期健康个体的该比值较低。总段数表示CT上识别出的气道段总数。图3显示了1例IPF患者气道树的三维图,图4显示了相应的气道图表示。

分析考虑了肺内第2–6级气道,按肺叶进行分析。

此处进行的分析旨在评估AirQuant在应用于气道分割树时的性能,而这些分割树应是目前研究人员可获得的多数高质量气道分割工具所能达到的[16–18]。我们还特别希望检验近端气道的变化是否与死亡率相关,传统上并不认为近端气道在IPF中异常。

统计分析

数据根据情况以患者比例(百分比)或均值(带标准差)或中位数(带数值范围)表示。分类变量的差异使用χ2检验评估。连续变量中位数的差异使用双侧Mann–Whitney U检验评估。连续变量均值的差异使用双侧Student t检验评估。进行单变量线性回归分析,以检验AirQuant变量与临床变量、肺功能检查以及CT视觉ILD范围之间的关系。进行单变量和多变量Cox比例风险模型,后者校正患者年龄、性别、吸烟状态、抗纤维化药物使用、CT上的UIP模式以及FVC或DLco。分别校正患者年龄、性别、吸烟状态和抗纤维化药物使用的多变量Cox比例风险模型比较了(a)牵拉性支气管扩张范围和(b)牵拉性支气管扩张严重程度与段间渐细和段性扭曲度。使用缩放Schoenfeld残差图检验Cox回归模型的比例风险假设。所有分析中p值<0.05被认为具有显著性。描述性统计、线性回归和Cox回归分析在SPSS(版本27,IBM)上进行。

结果

IPF队列(n = 90)的人口学数据、基线FVC和DLco值以及视觉和AirQuant CT测量结果见表1。患者平均年龄为66岁,中位随访时间为2.7年。平均基线FVC为77.2%,平均基线DLco为50.6%。患者被排除分析,主要原因是气道分割失败。被排除的患者(n = 60)与纳入患者相比,随访时间更短、死亡更多、基线FVC更低(表1)。

单变量线性回归显示AirQuant变量与患者年龄、性别、吸烟状态、抗纤维化药物使用、视觉ILD范围、视觉牵拉性支气管扩张范围和严重程度以及基线FVC和DLco之间无显著共线性(图5)。在单变量Cox回归分析中,男性、吸烟史、未使用抗纤维化药物、DLco降低、ILD范围增加、牵拉性支气管扩张范围和严重程度增加、节段间逐渐变细减少、节段性扭曲增加以及气道节段计数增加与死亡风险增加相关(表2)。

在多变量Cox回归分析中,值得注意的是抗纤维化药物使用与死亡风险降低相关。当考虑CT UIP模式并使用FVC进行疾病严重程度校正时,节段间逐渐变细(风险比(HR)= 0.75,95% CI = 0.66–0.85,p < 0.001)和节段性扭曲(HR = 1.74,95% CI = 1.22–2.47,p = 0.002)独立与死亡率相关(表3)。使用DLco单独校正后结果保持不变(表4)。总节段计数在使用DLco校正时独立与死亡率相关,在使用FVC校正时显示趋于显著。节段间逐渐变细和节段性扭曲在与视觉牵拉性支气管扩张范围(表5和表6)或视觉牵拉性支气管扩张严重程度一起纳入多变量Cox回归模型检查时,均独立与死亡率相关,而总节段计数则不然。

讨论

我们的初步研究凸显了自动气道量化,特别是节段间逐渐变细和节段性扭曲,在IPF患者评估中作为预后工具的潜力。这两个AirQuant指标与死亡率相关,无论疾病的基线严重程度如何(以FVC或DLco衡量),也无论CT上所见的UIP模式类型如何。

既往众多研究已表明UIP模式是IPF患者强有力的预后指标[19]。然而在我们的研究中,AirQuant测量的节段间逐渐变细和节段性扭曲与死亡率的关联始终强于UIP模式。在IPF患者中,蜂窝影可能仅占肺部小部分体积,因此UIP模式的存在可能无法反映个体疾病的范围。通过识别全肺整个世代所有气道平均逐渐变细的减少或扭曲的增加,可能更好地反映疾病范围。

我们观察到IPF患者近端气道异常,这证实了既往研究的结果,那些研究显示IPF患者[21]传导性气道容积增加[20]且阻力降低。使用气溶胶衍生形态测量学的研究也表明,在IPF肺的整个气道树中可见气道尺寸增大[22],这与我们发现的近端气道段性迂曲度增加相呼应。近端气道扩张可能代表CT上形态学广泛间质损伤的潜在替代标志物。然而值得注意的是,疾病严重程度的形态学指标(ILD范围)和功能指标(FVC和DLco)与AirQuant的段间渐细和段性迂曲度指标仅呈弱相关。

CT成像相对于肺功能测量的优势之一在于CT能够提供损伤的定位估计,而肺功能则提供肺部疾病的全局平均测量。现有的肺部定量工具主要在全局层面量化肺损伤[23]或检查肺区内的损伤[7](上、中、下)。然而,AirQuant指标可通过在世代水平评估气道来提供更精细的肺损伤估计。为辅助AirQuant的定性解读,开发了气道图,可一目了然地展示疾病在肺内的分布。所选用的表示方式是在呼吸科医师的参与下构思的,以最佳模拟规划支气管镜检查时所考虑的气道,并让患者能够清晰地可视化气道损伤的位置。可视化中边缘的大小与气道直径成正比,这进一步有助于描绘牵拉性支气管扩张的区域。

本研究存在局限性。尽管我们内部算法的分割质量 certainly 与商业使用的工具相当,但CT采集的异质性和成像限制(如呼吸伪影)在某些病例中使分割软件难以追踪深入肺内的气道路径。这在疾病更严重的患者中更为突出,因此这些患者的CT被排除的频率更高。如果有足够的分割,AirQuant本身很少失败(失败率为2%),并且在各种CT采集参数下保持稳健,尽管我们的结果需要在验证人群中确认。虽然这不是一项关于气道分割性能的研究,但我们的结果表明气道分割工具可能在早期IPF患者中表现更好,并可能在治疗试验的队列富集中具有价值[5]。我们在分析中未将气道直径和分支长度作为指标检查,因为这些测量受到患者身高、年龄、性别和种族的混杂影响。相反,我们侧重于指示疾病严重程度的参数,或如段间渐细那样使用同一患者较早世代的气道来标准化数值的参数。

总之,我们的初步研究表明,AirQuant生成的气道异常指标(段间渐细和段性迂曲度)与IPF患者的死亡率显著相关。我们还强调,在IPF中通常不被认为异常的近端气道世代中的气道异常具有预后价值。

引用

  1. Cheung WK, Pakzad A, Mogulkoc N, et al. Automated airway quantification associates with mortality in idiopathic pulmonary fibrosis. Eur Radiol. 2023. PMID: 37505249. doi:10.1007/s00330-023-09914-4
  2. 全文:PMC10598186(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10598186/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。