文献速递胸部CT

从像素到预后:释放深度学习在纤维化肺病影像分析中的潜力

From pixels to prognosis: unlocking the potential of deep learning in fibrotic lung disease imaging analysis.
PubMed 文献 · Br J Radiol · 2024-01-01

本综述探讨深度学习在纤维化肺病影像分析中的发展与应用,指出传统视觉评估和定量CT存在可重复性低、观察者间变异大及依赖人工标注等局限,而深度学习可自主学习影像特征并已用于辅助诊断、早期检测和预后预测,但面临数据偏倚、可解释性、可及性和伦理等挑战。

要点

  • 深度学习可自动识别HRCT中纤维化肺病的模式并量化病变,无需人工标注特征。
  • SOFIA等算法可输出UIP概率评分,较放射科医师更少趋向0%或100%的极端值。
  • 深度学习qCT工具如DTA、WVRS、AIQCT已显示与肺功能及预后相关,但可解释性仍是关键挑战。

核心结论

  • 深度学习在纤维化肺病影像分析中具有提供诊断支持和疾病量化的巨大潜力,同时面临训练数据可及性、数据与代码共享、数据偏倚缓解、CT数据标准化及伦理实施等重大挑战。

研究设计与样本

  • 本综述探讨深度学习在纤维化肺病影像分析中的发展与应用。
  • 综述描述了多种定量CT工具,包括直方图分析、QLF/QILD、CALIPER、AMFM、FRI、DTA、WVRS、Lung8/Air8/Vascul8/Fibr8及AIQCT。

关键影像表现/征象

  • 肺纤维化通常导致平均肺衰减增加、直方图峰度降低和左偏斜。
  • AMFM在IPF患者中显示基底为主的纤维化,表现为粗网状影和蜂窝伴牵拉性支气管扩张。
  • DTA在一例IPF患者中显示下叶蜂窝和网状影,基线DTA评分29.0%,17个月后升至39.4%。
  • E-Lung的WRVS量化网状和血管成分,正常肺组织呈绿色,血管和网状结构被分割量化。
  • Qureight平台分割显示Fibr8(纤维化范围)、Air8(气道评估)和Vascul8(肺血管体积评估)。

诊断标准与关键数值

  • 直方图分析中峰度描述峰值锐度,偏斜度衡量直方图不对称性。
  • AMFM与人类观察者识别各种间质模式类型的一致性Cohen kappa统计量约为0.62。
  • ILA分类依赖视觉定义的形态学,涵盖任何肺区超过5%的任何CT模式。
  • ILA发生在约7-9%的筛查患者中。
  • SOFIA提供「UIP概率」评分作为进展预测指标。

临床应用与阅片要点

  • HRCT是纤维化肺病初始评估的重要诊断检查,典型UIP模式可能无需外科肺活检。
  • 视觉HRCT评估存在可重复性低、观察者间变异大及对短期小幅进展敏感性有限等缺点。
  • 深度学习算法应用IPF HRCT指南标准可达到专家级HRCT判读水平。
  • 在放射学专业知识可及性有限的地区,自动化影像决策支持系统可能具有成本效益。

局限性

  • 视觉HRCT评估存在可重复性低、观察者间变异大和对短期小幅临床意义进展敏感性有限等缺点。
  • 许多定量CT方法依赖人工输入进行训练,可能将人为错误引入训练过程。
  • 直方图分析无法区分纤维化肺病患者中常见的不同HRCT模式。
  • 深度学习面临最小化算法偏倚、确保可解释性以及可及性和伦理关切等挑战。
  • 深度学习需要大型纤维化肺病特异性影像数据集用于训练、测试和比较,建立集中影像和临床数据仓库至关重要。
全文中译18 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:Br J Radiol. 2024 May 23;97(1161):1517–25. doi: 10.1093/bjr/tqae108

引言

特发性肺纤维化(IPF)抗纤维化治疗的获批及其随后扩展至其他进行性纤维化肺疾病,凸显了对于可靠生物标志物的迫切需求,以准确预测疾病进展和治疗反应。1 虽然部分纤维化肺疾病患者病情保持稳定,但其他患者则经历快速恶化。这种异质性在确定最合适的治疗方案以及是否需要进行有创操作(如外科肺活检(SLB))时带来了挑战。2–5 基于基线信息预测疾病行为的能力将使临床医生能够识别最可能从抗纤维化治疗中获益的个体,同时也能对有固有稳定疾病的患者自信地暂缓治疗。

胸部高分辨率CT(HRCT)是纤维化肺疾病初始评估中的一项必要诊断检查,在过去十年中,利用HRCT对纤维化肺疾病进行客观定量的计算机方法引起了显著的兴趣增长。这种兴趣的增加源于放射科医生视觉HRCT评估的不足之处,包括可重复性低、观察者间变异性高,以及在短期随访期内对微小但具有临床意义的进展敏感性有限。2,6–8

该领域的一项此类进展是定量CT(qCT),其涉及训练计算机在HRCT上逐体素地量化疾病。然而,需要人工输入来训练计算机引入了人为错误被纳入训练过程的潜在可能。9 将人工智能,或更具体地说,深度学习,引入定量分析旨在解决这一问题。深度学习具有无需常规人工干预即可进行定量分析的优势。深度学习提供了自主执行定量分析的优势,减少了对常规人工干预的依赖。然而,该技术的采用并非没有挑战,包括需要尽量减少算法偏倚并确保足够的算法可解释性,尤其是当基于计算机的预测与临床决策不一致时。此外,还存在对该技术可及性以及建立强有力的伦理框架来规范其使用的担忧。本综述将深入探讨深度学习的发展和应用,阐明其如何能够显著增强纤维化肺疾病的影像学流程。

定量CT

从主观半定量评估迈向更客观的定量CT的第一步是应用HRCT直方图分析,该分析量化HRCT图像中每个体素的肺密度并以直方图形式表示。6 直方图的峰度描述其峰值的锐利程度,而偏度是直方图不对称性的度量。在计算肺衰减时,峰度和偏度可被计算并用作确定纤维化存在及其范围的参数。10,11 通常,肺纤维化导致平均肺衰减增加、峰度降低以及直方图左偏。

在一项涉及144例IPF患者的研究中,Best等人报告了峰度与生理功能下降和死亡率之间的相关性。11这种方法面临的一个重要局限性在于处理混合性疾病模式;它无法区分纤维化肺病患者中常见的不同HRCT模式。这一早期证明基于计算机的HRCT数据体素分析可识别肺部特征与疾病严重程度之间的相关性,为更精细的方法铺平了道路。Ash等人最近的一项研究实施了基于局部直方图的量化方法,能够在一项46例IPF患者的研究中区分不同的HRCT模式。该研究报告了视觉评估与基于直方图的客观评分之间在疾病范围方面的强相关性,以及评分较高患者死亡率增加。9

定量肺纤维化

定量影像分析(QIA)是一种用于HRCT图像分析的软件工具包,包含多种基于计算机的量化工具,包括定量肺纤维化(QLF)、定量蜂窝状改变(QHC)、磨玻璃影(QGG)和复合性间质性肺病(QILD)评分。6,12 QLF已证明与ILD患者的肺功能测量指标具有强相关性,并且是最早被纳入临床治疗试验的qCT工具之一。在一项比较环磷酰胺与霉酚酸酯治疗142例硬皮病相关ILD患者的研究中,Tashkin等人报告QLF评分在两个治疗组中均保持相对不变,而QILD评分在两组中均显示轻微改善。13将QLF和QILD评分作为次要结局纳入临床试验,突显了基于计算机的影像分析工具在传统肺生理评估(如用力肺活量(FVC))之外提供额外疾病进展测量指标的潜力。14,15

CALIPER

用于病理评估和评级的计算机辅助肺信息学(CALIPER)由梅奥诊所生物医学影像资源实验室开发,利用直方图特征来表征和量化疾病肺实质的HRCT模式。该系统使用描绘这些模式的示例影像数据进行训练,并经放射科专家共识确认。CALIPER已在预测各种ILD的结局方面证明了其有效性。6在一项涉及283例IPF患者的关键研究中,基于CALIPER的HRCT评分在预测患者结局方面优于传统的纤维化视觉评估。16在这些发现的基础上,作者探索了一种基于CALIPER的死亡预测分期模型,该模型在双变量分析中与广泛使用的GAP(性别-年龄-生理)分期系统相比,显示出改善的预后区分能力。除纤维化评分外,CALIPER还引入了一种与肺血管相关的新型HRCT参数,称为“血管相关结构”。当以占全肺容积的百分比表示时,该参数成为所有CALIPER和视觉HRCT模式评分中最稳健的死亡预测因子。17此外,该生物标志物已在多项研究中于各种纤维化肺病亚组中得到验证,包括慢性过敏性肺炎、结缔组织病相关ILD和不可分类ILD。18–20

自适应多特征方法

自适应多特征方法(AMFM)是由爱荷华大学放射学系开发的一种先进的高分辨率CT(HRCT)分析工具。6 该工具利用区域肺密度的数学表示,结合贝叶斯分类器,来识别和量化间质性肺疾病的模式21,22(图1)。AMFM软件在31×31像素的图像块上进行训练,每个图像块代表不同的HRCT特征,这些图像块由专家放射科医师共识标注。早期研究表明,AMFM工具在识别各种间质性模式类型方面与人类观察者之间具有良好的一致性水平,Cohen kappa统计量约为0.62。一项更近期的子研究纳入了PANTHER-IPF试验的患者,结果显示AMFM对基线纤维化的量化和对HRCT上纤维化进展的评估分别与疾病进展和用力肺活量(FVC)的变化独立相关。23 这些发现凸显了AMFM工具在追踪IPF患者疾病进展方面的实用性。

图1. 自适应多特征方法(AMFM)。右侧为一名IPF患者的冠状面重建图像,显示以基底为主的纤维化(粗网状影和蜂窝状改变伴牵拉性支气管扩张),为该疾病的特征性表现。左侧为基于AMFM的所描绘肺实质模式分割[蜂窝状改变(黄色)、磨玻璃影(蓝色)、血管结构(粉色)和正常肺(灰色)]。由Eric Hoffman教授提供。 查看原图 ↗

功能性呼吸成像

功能性呼吸成像(FRI)由Fluidda公司开发,将吸气相和呼气相采集的低剂量高分辨率CT(HRCT)扫描与基于计算机的流场模拟相结合。该数据采集过程使用手持式肺量计进行呼吸门控,以确保肺容积测量的精确性和可重复性。24 FRI能够对肺结构和功能进行区域量化,并已通过与传统肺功能测量、同位素技术、超极化氦研究、运动耐量评估和患者报告结局的比较,在阻塞性肺疾病中得到验证。25,26 由于FRI侧重于气道和血容量等解剖特征而非单个体素,因此受低剂量HRCT扫描方案中噪声或重建算法引入的测量变异性影响较小26(图2)。

近期在IPF患者中的研究表明,以FVC下降为标志的疾病进展与HRCT测量的肺容积减少相关。27 FVC的变化与肺容积的变化及相对气道口径的变化相关。此外,IPF的疾病进展具有异质性,下肺叶始终比上肺叶受累更严重。一项关键发现是,即使FVC等常规指标仍在正常范围内,以FRI指标变化反映的IPF进展仍可影响肺叶和气道容积,提示FRI可能对边缘性或亚临床疾病患者具有实用价值。在一项使用自分泌运动因子抑制剂的小型药物试验中,FVC显示出阳性但无统计学意义的趋势,而FRI参数证实了具有统计学显著性的治疗效果。28

图2. 功能性呼吸成像。肺叶体积、纤维化区域(以暗区表示)和血管体积(不同深浅红色的结构)的可视化与定量。承蒙Jan De Backer博士提供。 查看原图 ↗

深度学习

传统定量CT(qCT)工具并非没有缺点。上述许多qCT工具依赖于“特征工程”,即计算机在经专家放射科医师训练后对预定义的CT模式进行量化。这种方法有三个主要局限性。首先,CT判读的主观性可能影响训练过程的可靠性。其次,它假定已具备关于反映疾病范围、进展或治疗反应的CT特征的先验知识,可能遗漏具有临床意义但视觉上无法察觉的模式。最后,它需要手动图像标注,这既耗时又需要专业的放射学专业知识。这些挑战可以通过使用深度学习来克服,深度学习能够自动学习重要的图像特征,而无需明确的特征标注。

深度学习是机器学习的一个分支,在识别复杂数据(如医学图像中的体素数据)中的模式并将这些模式映射到简单结局(如诊断或未来疾病进展)方面特别高效。2,29–32 深度学习虽然不是一个新概念,但其起源可追溯到20世纪40年代和50年代,当时开发了称为人工神经网络(ANN)的计算算法。计算技术的进步促进了更专门化的图像分类优化算法的发展,如卷积神经网络(CNN),这些算法已成为深入研究的热点,尤其是在医学成像领域。在呼吸医学中,高精度CNN已在肺癌检测、预测COPD患者死亡率和利用CT扫描对纤维化肺疾病进行分类等应用中证明是成功的。

深度学习的关键特征在于训练过程是自主的;它针对给定的分类问题自动识别CT扫描中的关键特征,同时忽略不相关的变异。这种方法避免了对最具预测性图像特征的先验知识的需求,也避免了耗时的图像标注。它还使得发现视觉上无法触及的新CT特征成为可能。注意力映射等技术可识别对算法输出有贡献的区域,降维方法则提供了关于算法如何对疾病进行分类的见解。2,29,33 这种揭示见解和增强图像分类的能力使深度学习成为医学图像分析中的宝贵工具,尽管可以说,在纤维化肺疾病中解释深度学习算法输出的方法开发进展尚未与算法发展同步。

深度学习与自动化诊断支持

准确的放射学诊断对于诊断纤维化间质性肺疾病至关重要,尤其是IPF。SLB决策通常取决于基于精确HRCT的IPF指南分类,CT上典型的UIP模式可能无需进行SLB。34 准确的CT判读也显著影响患者管理并影响临床试验入组标准。然而,HRCT指南标准的应用与半定量评估一样,容易产生显著的观察者间变异,即使在专家之间也是如此。这种判读上的不一致为基于自动影像的决策支持系统提供了机会,一项研究报告了应用IPF HRCT指南标准的深度学习算法达到专家级HRCT判读水平。2,6–8 该技术可能具有成本效益,特别是在放射学专业知识获取有限的地区,并且可以改善临床试验中的患者分层,减少筛选失败及相关成本。

进行性纤维化性肺疾病的早期检测

间质性肺异常(ILAs)是一个具有挑战性的临床问题。目前来自纵向心血管和肺癌筛查队列的数据提示其与IPF存在共同的临床和遗传联系。ILAs在老年人中更为常见,尤其是50岁以上携带MUC5B启动子多态性的吸烟者。35–37 ILA发生于约7-9%的筛查患者中,然而其中只有一小部分代表亚临床进行性纤维化性肺疾病。38 关键挑战在于目前无法预测哪些ILA可能进展。

这是一个模式识别问题,可能适合基于深度学习的解决方案。然而,基于深度学习的ILA研究存在两个障碍。第一个障碍是当前ILA分类依赖于视觉定义的形态学且范围宽泛,涵盖任何肺区中超过5%的任何CT模式。为 enable 算法训练,可能需要对基于客观疾病行为的分类。39 第二个挑战是进行性ILA仅占ILA总体的一小部分,这意味着关于进行性ILA的可用数据稀疏。35 需要通过开源影像联盟等倡议整理的纵向数据集以及肺癌筛查项目之间的合作来为这项研究提供支持。队列富集,可能使用血清生物标志物,对于有效的算法训练也将是必要的。

预测进行性肺纤维化

当纤维化性肺疾病已确立时, broadly 患者尽管接受治疗仍可进展、经治疗稳定或未经治疗保持稳定。进行性肺纤维化(PPF)一词涵盖第一组患者,即无论其临床或组织学特异性诊断如何,疾病在治疗后仍进展的患者。2,4,40–42 几项针对非IPF纤维化性肺疾病抗纤维化治疗的阳性临床试验聚焦于PPF,包括INBUILD研究。3,43,44

PPF(进行性肺纤维化)的一个重大挑战在于缺乏可靠的方法,无法根据患者的基线临床和影像数据来预测纤维化疾病的进展。早期检测PFF(进行性纤维化表型)将使医疗服务提供者能够在尽可能最早的阶段启动治疗,而无需等待疾病进展的临床征象,也无需在疾病本身稳定的情况下搁置治疗。可以在IPF(特发性肺纤维化)与非IPF疾病之间、以及UIP(普通型间质性肺炎)样与非UIP样疾病之间做出大致区分,但这些分类并不精确;非UIP疾病可以是进展性的,而某些UIP患者可能进展缓慢。基线CT上的广泛纤维化与进展风险增加相关。3,44 然而,当基线疾病范围较轻时,识别PPF尤为困难。

与ILA(间质性肺异常)类似,利用基线影像识别CT中可能进展的疾病模式,或许可以通过基于深度学习的方法实现,尽管这很可能需要整合其他临床数据。如前所述,这种方法使得识别肉眼不可见的PPF新型CT生物标志物成为可能。原则上,可以开发新的CT表型,将具有相同组织特异性诊断的患者分层为不同的基于结局的组别。45

纤维化性肺疾病中基于深度学习的CT表型分析

与肺部疾病检测相关的一种新兴深度学习算法示例是SOFIA(系统性客观纤维化影像分析算法)。SOFIA可识别普通型间质性肺炎,并提供“UIP概率”评分,该评分是疾病进展的预测因子。这是一个新型生物标志物预测死亡率的示例,无论疾病严重程度如何,其结论并非仅从HRCT(高分辨率CT)得出,UIP概率有所帮助。放射科医生也可以给出UIP概率,但放射科医生通常倾向于量表的极端值——要么0%要么100%,而SOFIA可以提供更准确、更详细的精细评分,不受人类评估所固有的偏倚和误差影响。2 使用多实例学习训练的类似算法已证明,按照当前IPF的HRCT指南标准,其分类准确性令人印象深刻。46

SOFIA及类似深度神经网络的一个未解决问题是可解释性;在专家意见与基于SOFIA的输出出现分歧的情况下,解读算法决策变得至关重要。这是使用深度学习面临的一个关键挑战;神经网络的复杂性使其能够高效地实现高性能;然而,这种复杂性也使结果难以解释。在理解算法犯错时(例如对某些图像的错误分类),可解释性也尤为重要。

基于深度学习的定量CT(qCT)

数据驱动的纹理分析

数据驱动纹理分析(DTA)基于纤维化的存在对图像分割区域进行分类,随后使用CNN(卷积神经网络)在HRCT上量化该纤维化的范围。DTA生成纤维化评分,该评分已显示与肺功能以及放射科医生对纤维化的视觉量化具有良好的相关性,该评分可用于描述IPF的范围(图3)。得益于DTA评分所提供的信息,DTA也已成功用于辅助预测疾病进展。47–49

图3。一名IPF患者在两个时间点的数据驱动纹理分析(DTA)。左上图为冠状位HRCT重建,显示下叶蜂窝状改变和网状改变,并使用DTA分析进行量化(红色叠加,左下)。基线FVC为4.24 L(预测值90.3%),DTA评分为29.0%。右侧(上、下两图)为同一患者17个月后的冠状位HRCT重建,显示纤维化进展。FVC为4.01 L(预测值86.1%),DTA评分为39.4%。感谢Steve Humphries教授提供。 查看原图 ↗

加权血管-网状评分

E-Lung是由Brainomix开发的一种基于深度学习的工具,可量化肺的网状和血管成分,并将其合并为单一指标,即加权血管-网状评分(WRVS),用于评估纤维化肺疾病的疾病严重程度(图4)。早期研究报告称,WVRS在预后判别方面可能优于传统疾病严重程度指标,如FVC。在最近一项纳入开源影像联盟352例非IPF患者的研究中,基线WRVS评分无论在各个队列内还是在汇总数据时,均较FVC更能预测无移植生存。此外,与基线FVC相比,WRVS对未来12个月内FVC下降的预测能力更强。50,51 一项针对IPF的探索性临床试验正在进行,以验证WVRS联合FVC用于增强患者分层的价值;原则上,这一新型指标可用于监测纤维化肺疾病患者对治疗的反应。

图4。Brainomix。肺实质窗轴位HRCT,显示“加权血管-网状评分”(详见正文)。正常肺组织以绿色显示,而血管和网状结构被分割并量化(粉色)。感谢Peter George博士提供。 查看原图 ↗

Lung8、Air8、Vascul8和Fibr8

Qureight开发了四种基于深度学习的qCT算法,用于量化特定的基于CT的生物标志物[肺体积(Lung8)、气道体积(Air8)、肺血管系统体积(Vascul8)和纤维化区域(Fibr8)](图5)。这些指标已在多项IPF研究中用作事后分析和探索性终点。例如,在PINTA试验(NCT03725852)中,与安慰剂相比,CT衍生的肺体积下降显著减少。52 研究发现气道体积与IPF疾病进展相关,53 并且在PROFILE研究的初治队列中,自动量化的纤维化体积和血管系统体积均显示与死亡率相关。54,55

图5。Qureight。肺实质窗轴位HRCT,层面位于隆突以下,显示由Qureight深度学习平台提供的基于深度学习的分割。右侧为分割叠加图:fibr8(纤维化程度评分,绿色)、air8(气道评估,蓝色)和vascul8(肺血管体积评估,粉色)。感谢Muhuntan Thillai博士提供。 查看原图 ↗

AIQCT

AIQCT是一种基于深度学习的qCT模型,用于预测IPF的预后。56该软件使用来自各种肺部疾病患者的304份高分辨率计算机断层扫描(HRCT)进行训练,旨在自动识别和量化10种肺部CT模式和气道容积,并将这些指标表示为占全肺容积的百分比。为验证AIQCT,将其输出结果与30份肺部疾病HRCT图像的视觉评分进行比较。随后在120例IPF患者中对AIQCT进行评估:经GAP分期校正后,AIQCT测量的气道容积和肺容积与生存独立相关。57结论强调,AIQCT成功量化了肺部病灶和气道容积,并可在传统GAP生理分期之外为IPF提供额外的预后信息。

深度学习面临的挑战

尽管先进的计算机图像分析,尤其是深度学习,在为纤维化肺病提供诊断支持和疾病量化方面具有巨大潜力,但它也伴随着重大挑战,涉及训练数据的可获得性、利益相关者之间的数据和代码共享、数据偏倚的缓解、CT数据的标准化以及伦理实施。

深度学习需要大量纤维化肺病特异性影像数据集用于训练、测试和比较,因此建立集中化的影像和临床数据存储库至关重要。在纤维化肺病CT成像方案和扫描仪差异方面,数据的多样性尤为重要。此外,从历史上看,该领域研究人员之间的合作有限。使用共同影像数据集比较各种定量CT(qCT)工具的研究很少,部分原因是竞争和知识产权方面的顾虑。诸如2018年成立的开源影像联盟(OSIC;www.osicild.org)等倡议通过提供来自纤维化肺病患者的多样化胸部CT图像和临床数据存储库,并通过以数字生物标志物开发为重点的机器学习竞赛促进学术界与产业界之间的研究合作,来解决这些问题。

深度学习算法还带来独特风险,因为它们可能放大训练数据中的偏倚,并且容易受到数据操纵的影响。58数据缺失或不平衡等问题不仅影响算法性能,还可能加剧医疗保健中的差距,尤其是在罕见疾病中,训练数据不足可能使患者无法从该技术中获益。此外,算法开发可能被操纵以使建议产生偏倚,偏向某些行为或第三方提供者。59

建立能够促进信任和透明度的伦理框架对于在医疗保健中实施人工智能至关重要。这些框架应包括定制的数据治理和问责措施,以确保算法开发的透明度,以及关于数据所有权、隐私和共享的指南。60 在适当监管与促进快速创新之间取得平衡并非易事。神经网络作为深度学习的基础,其不透明性常被视为一个缺陷,被称为“黑箱现象”。61 这种复杂性虽然在大型数据集中能够实现模式识别,但可能掩盖推理过程,尤其是在医学应用中,算法可能依赖于识别和量化视觉上无法感知的图像特征。要将深度学习影像生物标志物整合到临床实践中,需要更好的可视化方法来评估其生物学合理性。

未来方向

人工智能在医疗保健中的应用需要人工智能界与临床医学之间的密切合作;尽管深度学习可以有效地应用于医学影像分类,但挑战在于识别需要解决的临床问题,并开发能够真正影响临床实践的工具。如前所述,在某些情况下,提高算法可解释性将是关键。因此,可以说,纤维化肺病中的深度学习研究应侧重于量化可解释的变量,例如CT上纤维化范围随时间的变化或对治疗的反应。随着算法可解释性的提高,包括对特定治疗有反应的计算机生成放射学表型在内的新型影像生物标志物可能被使用,从而促进精准医学。

当前技术与用于纤维化肺病深度学习研究的大型疾病特异性影像数据集的可用性之间的不匹配也需要解决。这一挑战在低患病率但可能重要的CT异常(如ILA)病例中尤为明显,只能通过汇集来自不同中心的影像数据集来克服,这需要协作数据共享的互惠互利来推动。

最后,短期内用人工智能技术取代放射科医生不太可能。相反,计算图像分析的进步,尤其是在深度学习时代,将增强我们对纤维化肺病CT异常的理解和解读能力。正如加里·卡斯帕罗夫所建议的人机协作(引用其话:“优秀的人类与机器的结合是最佳组合”),更有可能产生最佳结果。明确识别医学中的人工智能研究领域并与其他领域的数据整合,对于最大化这种协同关系的益处至关重要。

结论

纤维化肺病的基于影像的生物标志物研究正在迅速进展,主要归因于图像处理和分析技术的进步。这一进展的核心是机器学习,包括深度学习。该技术有潜力解决纤维化肺病中关键未满足的需求,例如基于疾病行为检测和分类ILA、利用基线影像预测已确诊纤维化肺病的结局,以及通过更好地监测治疗反应来辅助精准医学。这些技术的重要使能因素包括:建立精确的临床结局定义以辅助标注训练数据、增强算法的可解释性、积累证据以显示其优于现有诊疗标准,以及推动法规以促进高性能算法迅速应用于日常临床实践。最终,数字生物标志物有望通过与生理学、蛋白质组学和基因组学生物标志物整合而进一步完善,从而最大化患者获益。

引用

  1. de la Orden Kett Morais SR, Felder FN, Walsh SLF, et al. From pixels to prognosis: unlocking the potential of deep learning in fibrotic lung disease imaging analysis. Br J Radiol. 2024. PMID: 38781513. doi:10.1093/bjr/tqae108
  2. 全文:PMC11332672(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11332672/

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。