胸部CT鉴别正常、PRISm与COPD:与肺功能检查对比
该多中心回顾性研究纳入797例有胸部CT和肺功能检查的参与者,基于临床变量与气道树及全肺影像组学特征构建五类多分类逻辑回归模型,以区分肺功能正常、PRISm和COPD。肺融合模型(年龄、性别、BMI加全肺影像组学特征)在外部测试集中对三类的AUC分别为0.939、0.830和0.904,总体准确率83.59%,优于其他四种模型。
要点
- 肺融合模型在外部测试集中对肺功能正常、PRISm和COPD的AUC分别为0.939、0.830和0.904。
- 肺融合模型对PRISm的准确率76.92%、敏感度75.56%、特异度77.65%,低于对正常和COPD的判别。
- 模型对PRISm判别较差,原文归因于PRISm组样本量较小及其影像表现细微弥漫。
核心结论
- 联合年龄、性别、BMI与全肺影像组学特征可提高对PRISm和COPD的检测,优于其他模型。
- CT影像组学可能有助于早期识别和危险分层肺功能异常。
研究设计与样本
- 多中心回顾性研究,共纳入797例参与者(中心A 667例,其中训练集534例、内部测试集133例;中心B、C共130例外部队列)。
- 纳入标准为2周内完成胸部CT和肺功能检查、层厚≤1.5 mm且图像质量可接受、肺功能数据完整。
- CT使用GE LightSpeed VCT 64排、Siemens Somatom Definition Flash或United Imaging u760,管电流80–140 mA、管电压80–120 kV、层厚1–2 mm。
- 采用Mimics Research半自动分割气道树和全肺实质,PyRadiomics提取每个区域1218个特征、共2436个特征。
- 特征筛选采用mRMR和LASSO回归(十折交叉验证),构建五个多分类逻辑回归模型并以DeLong检验比较AUC。
关键影像表现/征象
- 原文提及PRISm患者胸部CT常显示气道壁增厚,与小块气道功能障碍相关。
- 原文提及PRISm病理改变以小气道重塑和微血管异常为主,肺实质密度降低轻微,不同于早中期COPD的肺气肿为主模式。
- 肺融合模型中最有影响的影像组学特征包括反映肺纹理和密度改变的三个特征:wavelet LLH gldm dependence entropy反映肺实质异质性,log sigma 5 0 mm 3D first-order maximum可能捕捉纤维化或气体潴留区域,wavelet LLL first-order 10Percentile提示肺气肿性低密度区。
- 原文未报告常规CT征象(如肺气肿视觉分级、气道壁厚度测量)与PRISm或COPD分组的直接比较结果。
诊断标准与关键数值
- PRISm定义为FEV₁降低且FEV₁/FVC比值≥0.70。
- 肺融合模型在外部测试集中对肺功能正常、PRISm和COPD的AUC分别为0.939(95%CI 0.898–0.979)、0.830(95%CI 0.758–0.902)和0.904(95%CI 0.841–0.966),总体准确率83.59%。
- 肺融合模型在外部测试集中对PRISm的准确率76.92%、敏感度75.56%、特异度77.65%。
- 在训练集中,肺融合模型对三类别的AUC分别为0.935(95%CI 0.915–0.955)、0.905(95%CI 0.878–0.933)和0.972(95%CI 0.958–0.986),显著高于临床模型(AUC 0.812、0.658、0.777)和气道融合模型(AUC 0.910、0.843、0.965),P<0.001和P=0.004。
- 在内部测试集中,肺融合模型AUC分别为0.939、0.886和0.940,对应准确率86.47%、80.45%和87.97%。
临床应用与阅片要点
- 原文结论提出该模型可能整合入低剂量CT肺癌筛查项目,以同时筛查肺癌和慢性气道疾病。
- 原文指出影像组学可量化肺实质异常和小气道损伤,可能辅助个体化治疗规划。
- 原文强调气道树特征的准确提取受图像质量和分割算法影响较大。
局限性
- 模型对PRISm的识别准确率低于COPD,原文归因于PRISm组样本量相对较小及PRISm高度异质、早期影像表现细微弥漫。
- 作为多中心回顾性研究,各中心数据分布不均,大部分病例来自单一中心,外部验证队列相对较小,可能导致模型过拟合并限制泛化性评估。
- 尽管进行了图像重采样和归一化,各中心扫描方案和成像设备的差异仍可能影响结果。
- 排除肺肿块患者以避免干扰影像组学特征提取,可能限制模型在更复杂临床场景中的适用性。
- 原文指出需要未来多中心、前瞻性、扩大样本量和外部验证数据集的研究。
全文中译13 节 · 点击展开
背景
慢性阻塞性肺疾病(COPD)是一种以持续性气流受限为特征的慢性炎症性疾病,具有高患病率、高死亡率和高经济负担,是全球第三大死因[1]。鉴于该疾病的进展性,早期干预对于减缓肺功能下降和改善长期预后至关重要。值得注意的是,部分肺功能异常的患者不符合典型COPD的诊断标准,但表现为保留比值受损肺量计(PRISm),其定义为第1秒用力呼气容积(FEV₁)降低且FEV₁/用力肺活量(FVC)比值≥0.70[2]。PRISm在其炎症生物标志物谱、影像学特征和临床轨迹方面表现出明显的异质性,部分病例恢复正常功能,而另一些则进展为COPD[3–5]。新出现的证据表明,包括氧疗和支气管扩张剂在内的早期干预可有效延缓PRISm的进展,强调了准确表型识别的临床重要性[6–8]。
PRISm患者的胸部CT常显示气道壁增厚,这与小气道功能障碍密切相关[9, 10]。定量胸部CT分析已被用于评估PRISm患者的肺实质改变,揭示其病理变化主要以小气道重塑和微血管异常为特征,肺实质密度减低轻微,与早中期COPD中观察到的以肺气肿为主的模式不同[11]。此外,队列研究显示,与肺功能正常者相比,PRISm患者的全因死亡率更高,心血管事件增加,同时全身性合并症风险显著升高[12–15]。然而,该表型的临床认知度仍然较低,许多患者错过了最佳治疗窗口。
基于CT的影像组学的最新进展使得能够高通量提取定量结构和功能成像特征,从而促进呼吸系统疾病更精确的表型分型。大多数既往研究集中于单维度分析(如COPD的检测和分期),未将支气管和肺实质改变完全整合到统一框架中。特别是,区分正常肺功能、PRISm和COPD的自动化多类别分类模型仍然匮乏。为填补这一空白,本研究提出一种三类别分类方法,纳入两个互补的影像组学模型:一个基于定量气道树参数构建,另一个涵盖肺实质和气道树特征。该模型设计旨在不仅捕捉PRISm的独特影像学标志,还增强早期检测并改善风险分层。通过识别PRISm特异性影像生物标志物并提供稳健的定量决策支持工具,我们的工作有望推进慢性气道疾病的临床诊断和精准管理。
方法
研究设计与参与者
本回顾性研究经我院伦理审查委员会批准(编号20240123)。豁免获取书面知情同意的要求。患者数据从我院(医学中心A)于2024年1月至8月间进行回顾性连续收集。医学中心B和医学中心C的数据通过回顾性方式收集以构建外部测试集。纳入标准为:(1)在2周内完成胸部CT和肺功能检查(PFT);(2)层厚≤1.5 mm且图像质量可接受;(3)完整的PFT数据。排除标准包括急性肺部炎症、肿块、胸腔积液、脊柱侧弯、肺部手术史或恶性肿瘤史,或临床信息缺失(图1)。记录每位参与者的人口学数据,如年龄、性别、身高、体重、体重指数(BMI)、手术史和恶性肿瘤史。
成像方案与肺功能检查
胸部CT扫描使用以下三种系统之一获取:GE LightSpeed VCT 64排、Siemens Somatom Definition Flash或联影u760。扫描参数如下:管电流80–140 mA,管电压80–120 kV,层厚1–2 mm,并在全吸气相采用高分辨率和软组织重建算法。患者取仰卧位,双臂上举以尽量减少伪影,扫描范围从胸廓入口延伸至肺底。
肺功能检查遵循标准化方案。在医师指导下,每位参与者至少完成三次可接受的测试动作,记录最佳结果。FEV₁和FVC以预测值的百分比表示,使用全球肺功能倡议方程并根据年龄、性别和身高进行调整计算。
气道树与全肺分割
所有CT图像经过预处理流程,包括:(1)匿名化,(2)使用线性插值重采样至统一体素尺寸1×1×1 mm³,(3)灰度归一化(窗范围−1024至200 HU)。在半自动分割在Mimics Research(版本21.0,Materialise,鲁汶,比利时)中进行:
对于气道树,基于空气密度(−1000±200 HU)的区域生长算法从气管种子点开始向远端延伸,并在解剖学知识引导下进行。随后利用轴位、冠状位和矢状面的三维重建对缺失的远端气道或受伪影影响的区域进行手动校正。
对于全肺实质,在支气管中心线引导下进行基于阈值的分割和形态学平滑处理,随后进行手动调整以去除血管延伸和胸膜粘连。将所得三维模型导出用于后续分析(图2)。
影像组学特征提取
使用PyRadiomics(版本3.0.1,https://readthedocs.org/projects/pyradiomics/),从两个感兴趣区(气道树和全肺)各提取了共1218个影像组学特征,总计产生2436个特征。这些特征包括:(1)一阶统计特征(18个特征),反映强度直方图特性;(2)形状特征(14个特征),如体积、表面积和球形度;(3)纹理特征(498个特征),来源于灰度共生矩阵、灰度游程长度矩阵、灰度依赖矩阵和灰度尺寸区域矩阵;(4)小波变换特征(688个特征),提供多尺度纹理和强度模式。
特征选择分两个阶段进行。首先,采用最大相关最小冗余(mRMR)算法筛选出与分类任务最相关的前100个特征,同时最小化冗余。其次,通过十折交叉验证优化的最小绝对收缩和选择算子(LASSO)回归,在最优正则化参数下确定了气道树和肺部特征的精细子集。
模型构建
构建了五个多项逻辑回归模型用于三分类:纳入临床变量的临床模型;基于所选气道树影像组学特征的气道模型;利用所选全肺影像组学特征的肺部模型;整合临床参数与气道树特征的气道融合模型;以及结合临床参数与全肺特征的肺部融合模型。
统计分析
所有分析均使用SPSS软件(版本23.0 IBM SPSS Statistics Software,芝加哥,伊利诺伊州,美国)和R软件(版本4.3.0;R Foundation for Statistical Computing,维也纳,奥地利)完成。连续变量的正态性采用Shapiro–Wilk检验评估。对于正态分布的连续变量,数据以均值±标准差表示,而非正态分布的连续变量以中位数及四分位距(P25–P75)报告。分类变量以频率(%)表示。组间比较采用Kruskal–Wallis秩和检验(用于非正态分布数据)或卡方检验(用于分类数据)。模型采用多项逻辑回归分析构建。模型性能通过准确率、灵敏度、特异度、阳性预测值、阴性预测值和受试者工作特征曲线下面积(AUC)评估。采用Delong检验比较AUC。P值<0.05被认为具有统计学意义。
结果
参与者特征
最初筛选了1018名参与者。应用纳入和排除标准后,797名参与者(平均年龄:62.26 ± 12.65岁;男性482名)被纳入研究。这些参与者按8:2比例随机分配至训练集(n = 534;平均年龄:61.98 ± 13.24岁;男性326名)和内部测试集(n = 133;平均年龄:61.97 ± 11.50岁;男性88名)。还建立了由130名参与者(平均年龄:63.72 ± 11.21岁;男性68名)组成的外部测试集。在所有参与者中,43.91%(350/797)肺功能正常,31.87%(254/797)被归类为PRISm,24.22%(193/797)被诊断为COPD。所有数据集的临床变量汇总见表1。
在训练集中,单因素分析表明年龄、性别、体重和BMI在三组间差异均有统计学意义(均P < 0.05)。随后的多项逻辑回归显示,年龄[比值比(OR)1.08;95%置信区间(CI)1.07–1.10;P < 0.001]、性别[OR 2.25;95%CI 1.48–3.42;P < 0.001]和BMI[OR 0.91;95%CI 0.86–0.96;P < 0.001]是肺功能的独立预测因子。随后将这些因素纳入临床模型(表S1)。
特征选择
在特征选择过程中,首先使用mRMR算法对从气道树和全肺提取的影像组学特征进行筛选。从总共2436个特征(1218个气道树特征和1218个全肺特征)中,识别出与分类任务最相关且冗余度最低的前100个特征。然后将这100个候选特征输入LASSO回归模型,采用十折交叉验证确定最优正则化参数。通过收缩信息量较少特征的系数,LASSO最终选择了35个气道树影像组学特征和48个全肺影像组学特征用于最终模型构建(表S2)。
模型性能
开发并评估了五种分类模型,在训练集、内部测试集和外部测试集上进行评价。在所有数据集中,整合临床和全肺影像组学特征的肺融合模型取得了最佳性能(表2、3)。在训练集中,肺融合模型在三个分类类别中的AUC分别为0.935(95% CI 0.915–0.955)、0.905(95% CI 0.878–0.933)和0.972(95% CI 0.958–0.986)。这些值显著高于临床模型(AUC 0.812、0.658、0.777)和气道融合模型(AUC 0.910、0.843、0.965),差异具有统计学意义,P < 0.001和P = 0.004。
在内部测试集中,肺融合模型继续表现出优越性能,AUC分别为0.939、0.886和0.940,相应准确率分别为86.47%、80.45%和87.97%。在外部测试集中,该模型同样优于其他模型,获得了最高的AUC(0.939、0.830和0.904)和准确率(86.15%、76.92%和87.69%),在准确率、灵敏度和特异度方面均优于气道融合模型(表S3,图3、4、5)。如图4所示,所有模型对PFT正常组和COPD组的分类性能均优于PRISm组。具体而言,在预测PRISm组时,肺融合模型作为所有模型中整体性能最佳者,其AUC为0.830,准确率为76.92%,灵敏度为75.56%,特异度为77.65%。尽管PRISm组样本量较小且存在类别不平衡,该模型仍表现出相对稳健的性能。
讨论
PRISm和COPD不仅导致肺功能进行性下降,还显著增加心血管疾病、抑郁、焦虑、认知障碍和痛风的风险,因此早期发现和干预对于改善患者预后至关重要[12–14, 16, 17]。在本研究中,我们基于临床变量以及从气道树和全肺提取的影像组学特征,构建了两种新型三分类模型。我们的结果表明,肺部融合模型将年龄、性别和BMI与全肺影像组学特征相结合,在训练集、内部测试集和外部测试集中始终优于其他模型。这一优越性能凸显了肺实质定量成像数据在准确区分PRISm和COPD方面的附加价值——这两种疾病尽管临床表现重叠,但需要不同的管理方法。通过将基于CT的影像组学分析纳入临床工作流程,临床医生可能能够更早地识别肺部异常,从而实现及时干预并可能改善患者预后。此外,基于影像组学的实质异常和小气道损伤量化可促进个性化治疗规划,支持更精确和个体化的疾病管理。
随着CT在肺癌筛查中应用的日益增多以及神经网络方法的快速发展,近期研究已转向分析整个肺部的变化。例如,Deng等同时采用基于结节的影像组学和全肺影像组学来区分良性和恶性肺结节[18],而其他研究者使用基于肿瘤和全肺的影像组学方法来评估非小细胞肺癌患者的术后生存[19, 20]。这些方法强调了全面成像在表征广泛病理改变方面的价值。PRISm和COPD同样是涉及小气道重塑、肺血管改变和肺气肿形成的异质性疾病[2, 14, 21, 22]。尽管它们通常通过肺功能检查进行诊断,但组织损伤的早期阶段可能产生“假性正常”的通气测量结果,从而延误及时检测[23, 24]。利用低剂量CT来解决这些局限性,Park等开发了两种卷积神经网络模型,从一系列冠状位低剂量CT图像提取的三维特征中预测FVC和FEV1,报告的一致性相关系数分别为0.94和0.91[25]。他们的研究结果证明了低剂量CT用于肺功能预测的可行性,并为基于成像的方法铺平了道路,使PRISm和COPD能够更早、更精确地诊断。
随后,Zhou等提出了一种基于全肺影像组学特征的列线图用于COPD诊断(训练队列、内部队列和外部队列的AUC分别为0.893、0.873和0.853)。该方法表明,全肺影像组学在肺癌筛查和常规CT中均是COPD的稳健生物标志物。直观的列线图有助于早期发现并减少临床实践中的漏诊[26]。Zhou等随后引入了一种纳入临床因素的影像组学列线图以识别PRISm,在训练队列、内部队列和外部队列中分别达到AUC 0.787、0.773和0.702,从而优于单独影像组学特征和纯临床因素模型[27]。然而,这些研究仅关注左肺和右肺,未考虑主支气管及其分支,尽管支气管扩张和气道壁增厚等气道病变在COPD中常见。为解决这些局限性,我们首先检查了气管、双侧主支气管及其分支的影像组学特征,然后将分析扩展至整个肺实质。我们开发了两种有序三分类模型,以同时将PRISm和COPD与正常人区分开来;这种全肺整合方法表现出更优的预测性能。与临床模型相比,气道融合模型和肺融合模型在所有数据集中均实现了显著更好的分类(P < 0.05),提示从气道树和全肺提取的影像组学特征增加了重要的诊断信息。此外,肺融合模型在内部和外部测试集中均优于气道融合模型,可能是因为全肺影像组学捕获了更广泛的结构变化,包括血管和间质改变,从而对疾病相关影像异常提供更全面的定量评估。相比之下,气道树特征的准确提取受图像质量和分割算法的强烈影响,强调未来研究需要持续进行方法学改进。
该模型将年龄、性别和BMI作为临床因素纳入,这与既往研究结果一致,即PRISm在老年人和女性中更为常见,且BMI与肺功能早期下降相关[9, 10]。在肺融合模型识别的最有影响力的影像组学特征中,有三个反映了肺纹理和密度的改变,提示结构复杂性和功能受损。具体而言,wavelet LLH gldm dependence entropy代表实质异质性,值越高表示结构异常越严重;log sigma 5 0 mm 3D first-order maximum突出显示边缘增强后强度最高的体素,可能捕获纤维化或气体陷闭区域;wavelet LLL first-order 10Percentile指示低密度区域,提示肺气肿性改变。这些发现共同强调了全肺影像组学在检测细微功能差异方面的实用价值,并提示其可作为慢性气道疾病早期检测和分类的定量影像生物标志物。
尽管本研究的结果令人鼓舞,但该模型在识别PRISm患者方面的准确性低于COPD患者。若干因素可能解释这一差异。首先,与正常组相比,PRISm组的样本量相对较小,可能限制了模型充分学习和准确区分PRISm特异性影像组学特征的能力。其次,PRISm本身是一种高度异质性的临床状态,其早期病理改变通常表现为细微且弥漫的影像学表现,而COPD通常表现为更明显的肺气肿改变或气道壁增厚[4, 11]。这些特征增加了基于模型判别的难度。为增强模型识别PRISm的能力,未来研究应扩大PRISm患者的样本量,纳入更详细的临床指标(如肺功能参数和生物标志物),并利用纵向影像数据以更好地捕捉疾病进展并提高模型的泛化能力。此外,作为一项多中心回顾性研究,本工作遇到了各中心之间数据分布不均的问题。大多数病例来自单一中心,而外部验证队列相对较小。这种不平衡可能导致模型过拟合,并限制了对模型泛化能力的准确评估。尽管多项评价指标表明模型性能良好,未来研究应致力于纳入更多参与中心、扩大外部验证数据集,并标准化各站点的影像采集方案以加强外部验证。
最后,尽管已努力进行图像重采样和归一化,但各中心之间扫描方案和成像设备的差异仍可能影响了结果。此外,排除肺部肿块患者以避免干扰影像组学特征提取,这可能限制了该模型在更复杂临床场景中的适用性。尽管如此,本研究为未来大规模、前瞻性多中心研究提供了重要的初步证据和方法学基础。
结论
本研究开发了若干结合基于CT的影像组学和临床变量的三分类预测模型,用于区分正常肺功能、PRISm和COPD。肺部融合模型表现出最佳性能,强调了影像生物标志物在早期评估中的作用。它可能有助于在显著功能下降之前更早发现肺部异常,支持及时干预和改善预后。此外,该模型可整合到低剂量CT肺癌筛查项目中,以实现肺癌和慢性气道疾病的同步筛查。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 24 KB)
引用
- Ma Z, Sun Y, Ma Z, et al. Chest CT imaging for differentiating normal, PRISm, and COPD in comparison with pulmonary function tests. Radiol Med. 2025. PMID: 40839063. doi:10.1007/s11547-025-02061-4
- 全文:PMC12605617(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12605617/
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。