作者：黄文君，葛艳明，董鹏，潍坊医学院医学影像学院；范丽，海军军医大学第二附属医院放射诊断科

慢性阻塞性肺疾病（chronic obstructive pulmonary disease，COPD）是一种以不完全可逆的气流受限和反复的呼吸道症状为特征的常见慢性病，包括慢性支气管炎和/或肺气肿，常见临床症状包括慢性咳嗽、咳痰、气促、胸闷和呼吸困难等。

肺功能检查（pulmonary function test，PFT）是COPD临床诊断的金标准，当吸入支气管扩张剂后，第1s用力呼气量（forced expiratory volumein 1 second,FEV1）和用力肺活量（forced vital capacity,FVC）之比（FEV1/FVC）＜0.70说明存在持续的气流受限，即可确诊。

影像学检查，尤其是胸部CT，在COPD的诊断、鉴别、严重程度评估、监测疗效和预后评估等方面具有难以取代的作用。相比于PFT，影像学检查可以更早期、敏感地评估COPD。人工智能（artificial intelligence,AI）是指通过计算机系统对人类智能的模拟，如推理、学习和感知等。

机器学习（machine learning，ML）是AI的一个分支，包含监督学习和非监督学习。传统的ML算法包括随机森林、决策树、贝叶斯学习、人工神经网络（artificial neural network,ANN）等，而深度学习（deep learning，DL）则是ML的一个新分支，其对于提高图像及语音识别、视觉对象认知和自然语言处理等有极大的帮助。

近年来热点研究的卷积神经网络（convolutional neural network,CNN）就是DL的代表性算法之一。AI在COPD的早期筛查及诊断、临床分级及风险评估、影像学研究及远程监护等多方面进行了多模态、多尺度、全方位的探索。

1.AI在COPD筛查及诊断中的进展

COPD的早筛、早诊对控制疾病的进展有重要意义。Chen等开发了一种在普通人群中预测远期肺功能和气流受限的个体化ML模型，该模型可以筛选出未来可能患COPD的高风险个体，使得早期干预这些潜在高风险个体成为可能。

对于高风险人群，Young等采用ML对肺活量正常的吸烟者进行评估，构建了筛查早期COPD病人的模型，并提出了2种COPD亚型，一种是最多见的“组织－气道”亚型（70%），即肺气肿和外周气道病变早于中央气道发生异常；另一种则是与之相反的“气道－组织”亚型，这2种亚型的提出或许可以揭示COPD发生发展过程中存在的不同早期机制。

在诊断方面，Xu等通过一种CNN转移多实例学习模型对CT影像进行识别以判断有无COPD，并且在描述病理变化和空间异质性方面有其独特优势。Schroeder等还利用胸部正、侧位X线片影像和与其同期（180d内）的PFT结果训练CNN模型，预测COPD的效能[受试者操作特征曲线下面积（AUC）=0.814]高于以放射科报告文本为训练内容的自然语言处理模型（AUC=0.704），提高了胸片诊断COPD的效能。

然而，尽管PFT是诊断COPD的金标准，但因测试标准较严格，故部分身体欠佳的受试者可能无法完成测试。针对这一问题，Wang等通过支持向量机开发了预测病人FVC值的ML模型，其准确度高达95%。此外，一项关于AI与肺科医生对肺功能结果判读的比较研究显示，呼吸科医生和AI的诊断准确度分别为44.6%和82%，也表明AI诊断具有良好的效能。

2.AI对COPD临床分级处理及风险评估

对于已确诊COPD的病人，预测其临床预后非常关键。Zhang等开发的特征加权生存学习机在预测COPD病人生存时间、高低危病人分类方面性能优异。Wang等利用无监督的ML方法通过电子健康记录对病人进行分层，将相似特征和风险的病人归为一类，在COPD病人队列中该方法也得到了有效验证。急性加重的COPD（acute exacerbation of chronic obstructive pulmonary disease，AECOPD）病人生活质量会显著下降并加速疾病的进展。

Wang等研究的支持向量机模型是识别AECOPD病人的有力工具，该模型的敏感度和特异度分别为80%和83%，AUC值则达到了0.90。Goto等采用几种ML算法比较了急诊科就诊的AECOPD病人2种临床结局（危重护理和普通住院）的预测效能，结果发现在预测危重护理时boosting模型效能最好，而在预测普通住院时随机森林模型的效能最佳。可见，AI将来有助于急诊科医生更合理地处理COPD病人。

值得注意的是，Khatri等开发了一种预测呼吸系统疾病病人急诊科就诊高峰日的ANN分类器，该预测系统为急诊科医生更合理地配置医疗服务提供了可能；Wu等基于DL和ML也开发了一种AECOPD预测模型，在判断病人1周内是否会发生AECOPD的准确度（92.1%）极高，为病人的急诊科就诊提供了充足的预警时间。

COPD病人再入院十分普遍且住院费用昂贵，预测病人再入院有助于医生尽早干预病人，避免他们短期内再入院。基于此目的，Min等在医疗索赔记录中使用ML成功预测了病人30d内的再入院。Agarwal等也提出了一种自然语言处理模型以预测病人的再入院，优点是仅需要对病人的临床记录进行分析，并且此模型还很容易嵌入到现有的电子病历系统中使用。

3.AI在COPD的影像评估中的效能

除了PFT，临床上通常还使用定量CT（quantitative CT,QCT）对COPD进行评估，其对肺气肿存在和严重度的评估已得到充分验证，并通常使用密度测定法量化肺气肿。AI用于肺气肿的快速量化、严重程度分级和识别通气异质性等方面的性能得到了提升。

Fischer等应用基于CNN的DL算法可以快速量化CT影像上的肺气肿，且量化结果与PFT参数高度相关，明显缩短了量化时间。Jin等研发的DL模型不仅提高了肺气肿量化的准确性，还减少了肺密度测定中由于不同CT重建核影响所造成的差异。

低剂量CT常用于肺癌筛查，在进行肺癌筛查的同时对COPD进行筛查或许是一种兼具经济和效率的方法。有研究者在肺癌早期筛查的低剂量CT数据集上验证了一种检测COPD的DL算法，该算法利用残差网络得到的诊断准确度达到88.9%。

Bak等应用低剂量CT研究了剂量减少和不同重建核对肺气肿定量的影响，还评估了在肺气肿量化中基于DL的重建核转换技术归一化重建函数的效率，结果显示，在低剂量CT中，对“硬重建核”进行基于DL的重建核转换能明显减少肺气肿量化中产生的差异。

Wisselink等在超低剂量CT上量化COPD病人的肺气肿，应用基于DL的降噪技术，结果显示，与标准剂量CT相比，超低剂量CT不仅减少了84%的辐射剂量，还降低了27%的量化差异，表明低剂量CT评估COPD具有可行性。AI也能够评估肺气肿的严重程度。

Peng等利用DL中的多尺度残差网络对CT影像中的肺气肿进行分级量化，其量化结果与多种PFT参数的相关系数绝对值最高可达0.922。Humphries等不仅通过DL在CT影像上对肺气肿的严重程度进行分类，而且与无肺气肿的病人相比，DL算法分类出的各期肺气肿病人的死亡率均更高。

Hasenstab等则能通过CNN对CT影像中肺气肿及空气潴留的状况进行定量分析，并对COPD严重程度进行分期，该分期均能合理预测病人未来5年内的疾病进展及死亡的可能性，且与慢性阻塞性肺疾病全球倡议中的分期性能相当。

纹理分析也是一种有效评估肺气肿的方法。Ginsburg等使用这种方法对不吸烟者、非肺气肿吸烟者和肺气肿吸烟者进行了有效分类，表明利用该技术评估肺气肿是可行的。近年一些研究表明纹理分析是一种较密度测定更好的评估肺气肿的方法。

一项肺癌筛查实验研究发现，相比密度测定法，纹理分析参数与病人的肺功能相关性更强，诊断COPD的性能更好，且只有纹理分析参数能够预测肺功能的快速下降。此外，Westcott等报道了一种结合CT纹理分析和ML对COPD病人进行肺功能成像的新方法，结果发现，该方法显示的肺通气区域与超极化氦（3He）MRI的肺通气区域呈高度相关，如果该方法能成功普及，将来仅通过CT即可方便、快捷地获得与MRI通气图相似的COPD肺通气异质性图。肺解剖结构的分割、重建是肺部疾病诊断和治疗的重要步骤，AI针对COPD在这些方面的研究也取得了进展。首先，是对支气管的研究。

Bian等基于ML中的随机森林分类器完成了对胸部CT上小气道的全自动分割，该自动分割假阳性率较低，且比手动分割检测出更多的小气道，这对以小气道病变为主的COPD有重要价值。

Yun等提出了一种基于DL的全自动气道分割方法，在多个数据集中都成功验证了该方法的可靠性和实用性；但需要指出的是，对于重度COPD病人，由于病人较大的低衰减区会导致该方法的性能下降，因此该研究进一步提出了3D-CNN模型以解决此问题。

Nadeem等提出了一种名为“多参数冻结生长传播（multi-parametric freeze-and-grow propagation）”的新型算法，该算法在CT上对人体支气管树的全自动分割性能优于目前已知较先进的方法，即慢性阻塞性肺疾病研究的亚群和中间结局指标（subpopulations and intermediate outcome measures in COPD study，SPIROMICS）方案，但其单次扫描时间过长（约1h）；该研究团队又将DL与FG算法相结合进行了研究，结果发现，2种算法结合后在保持原水平分割性能的同时，还将扫描时间减少到单次仅需6.5min。其次，是对肺叶的研究。

Xu等使用CNN模型自动分割肺实质，其与人工分割法的一致性达到了96%；也有研究使用CNN模型对吸烟者的肺叶及全肺完成了分割，2项研究均显示出CNN在肺部病变的定位和分析上的潜力。

Xie等研究一种利用结构化关系的非局部神经网络模块对CT影像中肺叶分割的可行性，结果表明该模块在目标检测和分类上的性能尤为突出。Blendowski等则有效地利用了离散配准方法，提出了一种深度二进制3D-CNN描述符来有效评估COPD病人的肺部运动，结果显示，CNN描述符和自相似性描述符两者结合生成的图像配准特征鲁棒性最佳。

还有研究以医疗物联网为基础，在DL算法中应用迁移学习技术并结合Parzen概率密度，开发出了快速、高效的肺部分割模型，其分割时间仅需5.43s，而且分割准确度高达98.34%。除了CT，DL在MRI肺通气图上也有应用，极快的重建速度使得未来实时地显示人体肺通气成为可能。

4.AI在COPD其他方面的应用

AI在肺部呼吸音、基因分析、远程医护等其他领域的应用不仅拓展了COPD的研究范围，也使得COPD病人能在这些方面受益。

①AI在肺部呼吸音中的应用。有研究者利用ML将肺部呼吸音数据与呼吸量测定数据相结合，从中成功地鉴别出COPD病人，有助于从呼吸音层面帮助临床医生诊断该病。

②AI在基因分析中的应用。Mostafaei等利用ML和惩罚线性回归模型识别出与COPD发病机制、肺功能调节相关的44个基因，其中包含了17个未被报道过的基因；Benway等在辨别与COPD易感相关的基因位点中可能的因果变异时，同样使用了ML技术，并且成功预测了这些变异对肺细胞产生的特异性调节作用。

③AI在远程医护中的应用。Broadbent等对家用机器人辅助COPD病人的效果进行了随机对照试验，研究表明家庭护理机器人可以提高病人的服药依从性，增加病人的锻炼时长。Orchard等将ML应用于COPD病人的远程监护中，可以根据监测数据识别出不同个体的入院风险。此外，Gurbeta等针对农村、偏远地区的病人和行动不便的老年人开发了一种远程专家诊断系统，使这些人足不出户就能享受到专家级的个体化医疗服务。

5.小结

AI在COPD相关研究中的应用已经有了长足的进步，尤其是与影像技术及诊断相结合的领域，如AI在量化肺气肿、CT纹理分析以及分割解剖结构等方面的研究进展迅速。AI用于COPD的MRI研究或许会是一个重要的研究方向。当今中国老年人口不断增加，COPD的患病人数也逐年增加，AI的广泛应用将在减轻医疗负担、降低医保支出、提升医生工作效率、提高病人生活质量等方面大有裨益。

但是，AI也有其局限性，如数据集大小的限制，现有的诸多研究都是基于特定数据集得出的，这可能限制了研究结果的泛化，将来在更大的数据集中验证这些结论是很有必要的，这意味着跨区域，乃至跨国家领域的大范围数据收集将势在必行，也需要付出巨大的人力物力。

另外，随着对病人愈加精准的诊断、愈加个体化的治疗，对病人的数据要求就愈加详细，由此会涉及到个人资料安全保护的问题，这也是在应用AI中应密切关注并需解决的问题。

总之，随着AI技术的不断发展成熟，其在将来解决COPD全球公共卫生难题中发挥更关键的作用。

来源：黄文君,葛艳明,董鹏,范丽.慢性阻塞性肺疾病的人工智能研究进展[J].国际医学放射学杂志,2021,44(06):662-666.DOI:10.19300/j.2021.Z19032.

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)