在第12周时，接受ENV-101治疗的患者相较于接受安慰剂的患者显示出统计学意义上显著的肺容量增加。
根据在美国胸科学会（ATS）2025国际会议中展示的研究，基于CT的新型工具检测到接受Hedgehog通路抑制剂ENV-101治疗的特发性肺纤维化（IPF）患者的肺容量和纤维化有所改善。
IPF是一种进展性且致命的肺部疾病，以瘢痕形成和肺功能下降为特征，平均生存期仅为3年。标准影像学检查缺乏对细微疾病变化的敏感性，使得监测治疗反应变得困难。在这项研究中，研究人员使用人工智能（AI）模型从高分辨率CT（HRCT）扫描中提取详细的定量指标，提供了一种可能更为灵敏的方法来评估治疗效果。
基于AI的疾病进展成像
分析数据来自ENV-IPF-101（NCT04968574），这是一项双盲、安慰剂对照的2a期试验，评估ENV-101在成人IPF患者中的疗效。由Endeavor BioMedicines开发的ENV-101通过抑制异常的Hedgehog通路信号传导，该信号传导是肌成纤维细胞活化和肺纤维化的关键驱动因素。参与者按1:1随机分配，每日一次接受ENV-101或安慰剂治疗，持续12周。
在此事后分析中，Qureight和Endeavor BioMedicines的研究人员使用4个经过验证的深度学习模型分析了34名患者的配对HRCT扫描——其中16名接受治疗，18名接受安慰剂：
ENV-101显示相较于安慰剂显著减少了肺血管容量。 | 图片来源：shidlovski – stock.adobe.com
- Lung8，用于测量肺容量
- Vascul8，用于测量肺血管容量
- Fibr8，用于测量纤维化程度
- Air8，用于测量气道容量
据研究人员称，所有AI模型均在大型成像数据集上进行训练，并优化以检测纤维化肺组织中的细微结构变化。
他们还观察到Lung8衍生的肺容量与用力肺活量（FVC）之间存在强相关性（r² = 0.83；P < .0001），以及标准化纤维化与预测FVC百分比之间的强相关性（r² = 0.52；P < .0001）。这表明，当经过适当训练时，深度学习模型可以为医生提供可靠的、非侵入性的肺健康快照，反映呼吸能力的真实变化。这些工具最终可能帮助跟踪患者对治疗的反应，而无需重复进行侵入性测试。
ENV-101保留肺容量，减少纤维化
在第12周时，接受ENV-101治疗的患者相较于接受安慰剂的患者显示出统计学意义上显著的肺容量增加，治疗组增加了142.28 mL，而安慰剂组减少了113.07 mL（P = .014），与预测FVC百分比的改善相对应（P = .03）。
治疗组还显示出相较于安慰剂显著减少了肺血管容量（–0.25% vs 0.07%；P = .0007），并在数值上呈现出纤维化减少的趋势（–1.32% vs 1.32%；P = .063）。接受ENV-101治疗的患者肺部血管肿胀或充血较少，并显示出早期减少肺瘢痕形成的迹象，相较于接受安慰剂的患者。这表明该药物可能有助于减缓或逆转IPF患者的肺损伤。如果在更大规模的研究中得到证实，这些变化可能意味着患者更好的肺功能和生活质量。
关键指标的效果大小显著：预测FVC百分比为0.78，肺容量为0.87，肺血管容量为–1.28。这些变化表明ENV-101可能在短期内阻止或逆转部分患者的纤维化进程。
“这些结果表明，在IPF中，基于深度学习的肺容量和肺血管变化量化可能提供额外的见解，佐证肺功能生理学上的改善，”研究人员表示。
ENV-101用于IPF
尽管样本量有限且持续时间较短，但这一分析强调了深度学习在补充传统生理和放射学终点方面在IPF试验中的潜力。在2024年的ATS会议上，Endeavor BioMedicines的联合创始人兼首席执行官John Hood博士解释了ENV-101相对于现有IPF治疗药物吡非尼酮和尼达尼布的潜在优势。根据Hood的说法，这两种获批药物仍然存在耐受性问题，如胃肠道毒性，并且在减缓IPF进展方面的疗效不够强劲，而ENV-101实际上正在改善肺功能和患者的感受。
“最大的未满足医疗需求是我们没有一种能让患者好转的疗法，”Hood告诉《美国管理式医疗杂志》（AJMC）。 “最终，这就是我们在Endeavor努力实现的目标。我们有一种药物，至少到目前为止，它正显示出让患者好转的证据。”
Hood还告诉AJMC，只有大约20%的IPF患者在接受标准治疗，且停药率很高。
“至于医疗系统能做什么，他们的选择有限，因为他们还没有合适的工具，”他说。“我们正试图通过给他们一些真正有效的工具，让医疗系统的工作变得容易得多。”
(全文结束)
