在肺部血管疾病的隐秘世界里，慢性肺栓塞(CPE)和由其发展而来的慢性血栓栓塞性肺动脉高压(CTEPH)是两位极具迷惑性的“隐形杀手”。它们源于未能完全溶解的肺动脉血栓，患者初期可能症状隐匿，但若不及时诊断和治疗，病情会悄然进展，最终导致严重甚至致命的心肺功能衰竭。目前，诊断这两类疾病主要依赖于CT肺动脉造影(CTPA)，但影像上的蛛丝马迹——如血管变细、管壁不规则、马赛克样灌注等——往往非常细微，很容易被放射科医生漏诊或误诊，导致宝贵的治疗窗口期被延误。因此，临床迫切需要更精准、更高效的诊断工具，以拨开迷雾，及早揪出这些“沉默的威胁”。
近期，一项发表在《European Radiology Experimental》的研究为这一难题带来了突破性进展。来自芬兰赫尔辛基大学医院的研究团队，成功开发了一种基于深度学习的人工智能模型，能够像经验丰富的专家一样，从常规的CTPA图像中自动识别出CPE和CTEPH的迹象。更巧妙的是，他们并未满足于简单的“黑箱”分类，而是独辟蹊径，设计了一种创新的分层分析方法，深入探究了究竟是肺部的哪些区域（是靠近心脏的大血管，还是远端的细小分支）对人工智能的“火眼金睛”贡献最大。这项研究不仅验证了人工智能辅助诊断的可行性，更揭示了慢性血栓栓塞性疾病在影像上的空间分布奥秘。
为了开展这项研究，研究人员运用了多个关键技术方法。首先是精心构建的患者队列 ，研究纳入了来自赫尔辛基大学医院PACS系统的41名CPE患者、41名急性肺栓塞(APE)患者和41名无肺栓塞的正常对照者，其中25名CPE患者通过右心导管检查确诊了CTEPH，确保了研究对象的可靠性。其次是创新的分层肺分割与MIP图像生成技术 ，研究采用了一种结合了开源自动分割工具与放射科医生手动修正的半自动化流程，对肺实质及近端血管进行了精确分割。随后，他们开发了一种算法，将整个分割后的肺体积等分成四个从中央到外围的同心层（Q1-Q4），并从不同分层的组合生成2D最大密度投影图像，作为模型的输入。最后是基于预训练CNN的分类模型设计 ，研究采用预训练的DenseNet-121模型作为特征编码器，配合定制的分类头，对不同分层的MIP图像集进行训练和交叉验证，以评估不同血管区域对分类性能（以AUROC为指标）的贡献。
CNN性能表现
研究人员训练卷积神经网络(CNN)来区分CPE与对照组（非PE和APE病例的合并组），以及CTEPH亚组与对照组。
• CPE分类 ：当使用包含全部四个分层（Q1–Q4，即全肺数据）的MIP图像时，模型在交叉验证中取得了AUROC为0.80的良好性能。随着输入数据中移除的肺部分层越多（例如仅使用Q2-Q4或Q3-Q4），模型的诊断性能呈现逐渐下降的趋势。
• CTEPH分类 ：对于CTEPH的识别，模型表现更为出色。使用全肺数据时，AUROC达到0.88。值得注意的是，即使仅使用最中心的两个分层（Q1–Q2，即近端一半的肺体积），模型仍能取得高达0.86的AUROC，且与使用全肺数据无统计学上的显著差异。这表明，对于CTEPH的诊断，关键的影像学特征主要集中于中央区域。相比之下，仅使用外周区域（Q3–Q4）或使用一个排除了近端血管的开源分割模型时，性能均显著下降。
• 不同分层的贡献 ：当分别使用单个分层（Q1, Q2, Q3, Q4）进行CPE分类时，它们的AUROC值相近（0.69–0.73）。然而，在CTEPH分类中，最中心的Q1分层表现最佳（AUROC 0.85），显著优于其他单独的分层，进一步证实了近端血管区域对于CTEPH检测的特殊重要性。
肺动脉截面积与血管体积测量
为了探究近端血管扩张本身是否足以区分疾病，研究人员测量了肺动脉截面积和手动添加的近端血管体积。
• 统计分析显示，CPE或CTEPH患者与对照组在肺动脉截面积上无显著差异，但CPE和CTEPH患者的该面积显著大于APE患者。在血管体积方面，仅CTEPH患者的体积显著大于APE患者和对照组。
• 然而，仅基于这些测量指标进行分类时，其诊断效能（CPE分类的AUROC：面积0.61，体积0.64；CTEPH分类的AUROC：面积0.66，体积0.71）远低于基于深度学习的MIP图像分析模型。这表明CNN模型所捕捉的特征远不止简单的血管尺寸变化，可能包含了更复杂的血管形态、纹理或分布模式信息。
视觉评估
研究人员对模型错误分类（假阳性和假阴性）的病例进行了回顾性分析，发现了一些可能混淆模型判断的因素，如肺不张、通气不足、胸膜斑块、其他原因（如特发性肺动脉高压、充血性心力衰竭）引起的血管扭曲或肺动脉高压等。这提示，未来的模型需要更好地处理这些复杂的共病情况。
这项研究通过系统性的分层分析得出重要结论：基于CTPA MIP图像的卷积神经网络能够有效识别慢性肺栓塞(CPE)和慢性血栓栓塞性肺动脉高压(CTEPH)，模型性能随着纳入分析的血管区域增多而提升。尤为关键的是，研究揭示了对CTEPH的诊断而言，位于肺部中央的近端血管区域含有最具判别力的特征信息。这为理解慢性血栓栓塞性疾病的影像学生物学基础提供了新的视角。尽管研究存在回顾性设计、样本量有限以及部分分割过程需要人工介入等局限性，但其结果表明，整合了近端血管信息的自动化深度学习模型，在未来有望成为一种强有力的工具，辅助放射科医生实现CPE和CTEPH的早期、准确诊断，从而改善患者预后。未来的研究方向应包括开发全自动分割流程、进行多中心外部验证，并进一步探索模型性能与疾病严重程度的相关性。
打赏
