英国研究人员报告称，深度学习算法可以准确分割特发性肺纤维化（IPF）患者的CT扫描图像，为临床医生提供宝贵的预后信息。这项新数据已发表在《美国呼吸与危重症医学杂志》上，有可能增强IPF患者的监测和治疗。
尽管有证据支持CT扫描在特发性肺纤维化中的预后价值，但基于图像的生物标志物在临床实践或试验中并不常用。鉴于此，剑桥皇家帕普沃斯医院的Muhunthan Thillai及其同事旨在通过基于深度学习的CT扫描分割开发自动化影像生物标志物。
为此，研究人员开发了四种解剖生物标志物的分割过程，然后将其应用于来自PROFILE（肺纤维化临床终点前瞻性观察）研究的未经治疗的IPF患者队列。这些过程还针对来自英国的另一个队列进行了测试。该研究评估了CT生物标志物、肺功能、疾病进展和死亡率之间的关系。
分析包括来自446名PROFILE患者的数据显示，中位随访时间为39.1个月（四分位数范围，18.1至66.4个月）。在五年内，累计死亡人数为277例（62.1%）。该研究得出以下发现：
- 分割成功率为97.8%，适用于多个成像供应商的切片厚度为0.5至5毫米的所有扫描。
- 肺体积与FVC的相关性最强（r = -0.82），在四种分割中表现最佳。
- 肺、血管和纤维化体积在各队列中与5年生存率差异一致，即使调整基线性别、年龄和生理评分后仍保持一致。
- 较低的肺体积（风险比[HR]，0.98）、较高的血管体积（HR，1.30）和较高的纤维化体积（HR，1.17）与合并PROFILE队列中2年无进展生存率降低相关。
- 随时间变化，肺体积减少（HR，3.41）和纤维化体积增加（HR，2.23）与生存率差异相关。
研究结果表明，自动化模型可以快速分割IPF患者的CT扫描，提供近期和长期的预后信息。这一能力可以整合到常规临床实践中，或用作临床试验的关键终点。
研究团队认为，这些发现可以增强特发性肺纤维化（IPF）患者的监测。“我们证明，可以从IPF患者的CT扫描中训练模型，实现快速而广泛的图像分割，生成关于纤维化、血管、气道和肺体积的数据。这些模型还可以预测疾病进展和死亡率，”研究人员总结道。
参考文献：
Thillai M, Oldham JM, Ruggiero A, Kanavati F, McLellan T, Saini G, Johnson SR, Ble FX, Azim A, Ostridge K, Platt A, Belvisi M, Maher TM, Molyneaux PL. 基于深度学习的CT扫描分割预测特发性肺纤维化的疾病进展和死亡率. Am J Respir Crit Care Med. 2024 Aug 15;210(4):465-472. doi: 10.1164/rccm.202311-2185OC. PMID: 38452227.
(全文结束)
