深度学习赋能胸部 CT 检测闭塞性细支气管炎综合征：开启早期诊断新征程

闭塞性细支气管炎综合征（BOS）是肺移植后常见的纤维化气道疾病，传统诊断依赖肺功能测试（PFTs）存在局限。研究人员训练深度神经网络（DNN）用于 CT 扫描检测 BOS。结果显示该方法 ROC-AUC 达 0.90，能早期检测。这为 BOS 诊断和管理带来新希望。

　　在医学的神秘世界里，肺移植为许多终末期肺部疾病患者带来了重生的希望。然而，一种名为闭塞性细支气管炎综合征（Bronchiolitis Obliterans Syndrome，BOS）的 “幽灵疾病” 却悄然潜伏，威胁着这些患者的健康。BOS 是一种发生在肺移植后的纤维化气道疾病，它就像气道中的 “疤痕制造机”，会逐渐让气道布满疤痕，影响肺部正常功能。目前，BOS 的诊断面临诸多难题。传统的诊断方法主要依赖肺功能测试（Pulmonary Function Tests，PFTs），但这种方法存在明显缺陷。比如，气道纤维化已经形成后，肺功能测试的变化才会显现，此时疾病往往已发展到不可逆阶段，治疗效果大打折扣。而手术肺活检由于风险高，不能常规开展；经支气管活检的诊断敏感性又较低。胸部成像在诊断 BOS 方面也未完全成熟，CT 扫描虽然是常用手段，但要想准确诊断 BOS，需要特定的扫描条件，如薄切片、肺内核重建以及呼气扫描等，这不仅会增加患者的辐射暴露，对于肺功能差的患者来说，一些扫描操作也难以完成。

在这样的困境下，来自奥地利格拉茨技术大学、土耳其比尔肯特大学、瑞士洛桑联邦理工学院等多个研究机构的研究人员决心攻克这一难题。他们开展了一项旨在利用深度学习技术，通过胸部 CT 扫描检测 BOS 的研究。最终，他们取得了令人瞩目的成果，该研究成果发表在《Communications Medicine》上。这项研究对于改善 BOS 的诊断和患者管理意义重大，有望为患者带来更好的治疗前景。

研究人员为开展此项研究，主要运用了以下关键技术方法：首先，构建了包含 75 例肺移植患者胸部 CT 扫描的数据集，其中 26 例为 BOS 患者，涵盖了不同阶段的 BOS 患者以及非 BOS 患者的扫描数据。然后，采用深度神经网络（Deep Neural Networks，DNN）进行模型训练。为解决数据量有限的问题，使用了多种策略，如采用晚期融合架构减少模型参数，随机丢弃扫描切片训练模型，以及通过共训练辅助任务（预测同一患者两次 CT 扫描的时间顺序）提高模型对 BOS 表现的敏感性 。最后，运用五折交叉验证评估模型性能，并使用受试者工作特征曲线下面积（ROC-AUC）等指标进行评价。

下面来看看具体的研究结果：

• BOS 的检测：研究人员评估了该方法区分 BOS 患者和非 BOS 患者 CT 扫描的能力。结果显示，该方法能够有效区分两者，聚合 ROC-AUC 达到 0.90（95% CI：0.840 - 0.953），在不同数据分割上的中位数 AUC 为 0.92，范围在 0.87 - 0.95 之间。这表明该模型在识别 BOS 患者的 CT 扫描特征方面表现出色。
• 疾病进展与检测准确性的关系：随着 BOS 病情的进展，检测准确性也有所提高。在 BOS I 期，ROC-AUC 达到 0.88（CI：0.798 - 0.945），II 期升至 0.91（CI：0.829 - 0.964），III 期进一步提高到 0.94（CI：0.869 - 0.989）。这说明模型对病情越严重的 BOS 患者的 CT 扫描识别能力越强。
• 风险预测：研究人员验证了该方法在 BOS 患者达到临床诊断标准前检测其患病风险的能力。在区分 BOS 患者诊断前 FEV₁（第一秒用力呼气容积）在最佳 FEV₁的 80% - 90% 之间的扫描和非 BOS 患者相同 FEV₁范围的扫描时，网络的聚合 ROC-AUC 为 0.87（CI：0.735 - 0.974）。这意味着该方法在预测有风险发展为 BOS 的患者方面具有一定潜力。
• 基于高分辨率和标准分辨率扫描的检测：研究人员探究了不同分辨率 CT 扫描对方法性能的影响。结果发现，在高分辨率扫描（切片厚度≤1.25mm，肺内核）、薄切片扫描（切片厚度≤1.25mm，标准内核）和标准分辨率扫描（切片厚度 > 1.25mm，标准内核）中，该方法均表现出可比的性能，聚合 ROC-AUC 分别为 0.90、0.91 和 0.90。这表明该方法对不同类型的扫描都有较好的适应性，无需依赖高分辨率或特定扫描条件。

在研究结论和讨论部分，研究人员开发的基于深度学习的方法为 BOS 检测带来了新的突破。该方法无需专门的 BOS 诊断 CT 扫描，能在常规扫描中检测 BOS，且在不同分辨率扫描中表现稳定，这大大降低了检测成本和患者风险。同时，该方法在早期 BOS 检测方面表现良好，为及时干预和改善患者护理提供了可能。然而，研究也存在一定局限性，如回顾性、单中心设计以及患者队列规模较小等。未来需要更大规模的研究来进一步验证和优化该方法。总体而言，这项研究为 BOS 的诊断和管理开辟了新方向，有望推动相关领域的发展，为更多患者带来福音。