基于胸部CT数字分析联合临床特征诊断预测耶氏肺孢子菌肺炎（PJP）的价值研究

《Frontiers in Physiology》：Diagnostic predictive evaluation of pneumocystis jirovecii pneumonia using digital chest CT analysis combined with clinical features

本综述创新性地整合胸部CT数字分析（AI辅助）与临床特征，构建PJP（Pneumocystis jirovecii pneumonia）诊断预测模型。研究通过多中心回顾性分析，识别免疫抑制剂使用史、降钙素原（PCT）水平、炎症病灶体积/全肺体积及特定CT值区间（-700至-450 HU、-450至-300 HU）病灶体积等独立预测因子，所建列线图（Nomogram）在训练集与验证集中曲线下面积（AUC）分别达0.898和0.820，证实AI辅助CT定量分析可有效提升PJP与细菌性肺炎（BP）的鉴别精度，为临床早期干预提供新策略。

　　

引言

肺炎是全球范围内发病率和死亡率的重要原因，其中耶氏肺孢子菌肺炎（PJP）和细菌性肺炎（BP）作为两种重要的临床亚型，其准确鉴别对指导治疗至关重要。PJP主要累及免疫抑制个体，而BP则更为常见。然而，由于临床症状和实验室检查存在重叠，区分二者仍具挑战。传统诊断方法如镜检和培养敏感性低，而宏基因组下一代测序（mNGS）虽提高了病原体检出率，但其高敏感性可能导致病原体与定植微生物的混淆。高分辨率胸部CT在肺部感染检测中发挥关键作用，但人工判读耗时且易忽略细微特征。人工智能（AI）在胸部CT分析中的应用日益增多，但在肺炎病原体鉴别方面的研究尚不充分。本研究旨在通过整合AI辅助的胸部CT数字分析与临床实验室参数，构建PJP诊断预测模型，提升诊断准确性。

方法

研究设计与参与者

本研究为一项回顾性、多中心研究，分析了2020年5月至2024年6月期间两家医院经mNGS确诊的PJP或BP患者。研究共纳入训练队列99例肺炎患者（2020年5月至2023年4月）和外部验证队列87例患者（2021年2月至2024年6月）。PJP组纳入标准包括：年龄≥18岁、持续肺部感染症状超过一周、胸部CT显示典型PJP特征、mNGS检测到耶氏肺孢子菌、并由两名专家结合病历和甲氧苄啶-磺胺甲噁唑（TMP-SMX）使用情况确认诊断。排除标准包括数据不完整和HIV合并感染。BP组纳入标准基于社区获得性肺炎（CAP）定义，需有新的或恶化的呼吸道症状、实变或啰音体征、白细胞计数异常以及影像学浸润证据。排除标准包括数据不完整和mNGS显示混合感染。

数据收集

从电子病历中提取基线临床特征，包括人口统计学、入院季节、合并症、症状、体格检查结果、免疫抑制治疗史和当前用药。慢性合并症根据美国疾病控制与预防中心（CDC）标准定义。实验室数据收集入院72小时内的全血细胞计数、炎症标志物、血清生化、心脏生物标志物、电解质、动脉血气分析和凝血功能谱。所有患者均接受胸部CT检查，使用飞利浦iCT、飞利浦Brilliant CT、西门子Force CT或GE Lightspeed CT等设备。扫描参数固定管电压120kV，采用三维管电流自动调制技术。重建层厚为1.0毫米或2.0毫米。CT图像使用图像存档与通信系统（PACS）软件进行判读。采用数坤肺炎CT影像辅助分诊与评估软件进行自动图像分析，该软件AI算法可智能识别CT图像并精确分割肺炎病灶。由两名呼吸科医师（均具有3年以上经验）共同审核并手动校准AI软件识别的病灶分割区域。对肺体积、炎症病灶体积和炎症病灶平均密度（亨氏单位，HU）进行多维度定量分析。

统计分析

使用RStudio软件（版本R 4.3.3）进行统计分析。符合正态分布的连续变量以均数±标准差（x? ± s）表示，组间比较采用独立样本t检验。非正态分布的定量数据以中位数（四分位距）[M（P25, P75）]表示，组间比较采用Wilcoxon秩和检验。分类数据以百分比（%）表示，采用卡方检验或Fisher精确检验进行比较。采用逻辑回归进行风险因素分析，计算优势比（OR）及其95%置信区间（CI）。P值<0.05认为有统计学意义。

结果

研究人群基线特征

最终纳入分析的99例患者中，PJP组47例（男性30例，女性17例），BP组52例（男性37例，女性15例）。PJP组年龄范围32-85岁，多数（78.7%）为50-70岁；BP组年龄范围36-93岁，69.2%为50-70岁。两组在年龄、性别、重症肺炎发生率、ICU入住率和死亡率方面无显著差异。但PJP组合并慢性疾病比例（93.6% vs. 63.5%, P < 0.001）和免疫抑制剂使用率（51.1% vs. 11.5%, P < 0.001）显著高于BP组。BP组咯血发生率更高（17.3% vs. 4.26%, P = 0.039）。实验室检查显示，PJP组乳酸脱氢酶（LDH）水平更高（374 U/L vs. 254 U/L, P < 0.05），而红细胞（RBC）计数（3.69 × 10¹²/L vs. 4.31 × 10¹²/L, P = 0.038）、肌酸激酶（CK）（33 U/L vs. 70 U/L, P < 0.001）、二氧化碳分压（PCO₂）（34.8 mmHg vs. 35.9 mmHg, P = 0.048）和活化部分凝血活酶时间（APTT）（28.2 s vs. 31.4 s, P = 0.004）则低于BP组。

影像学表现

PJP组炎症病灶体积（952 cm³）显著大于BP组（242 cm³）（P < 0.001），表明PJP肺部受累更广泛，呈弥漫性分布。PJP组双肺各叶病灶体积均大于BP组，尤其左肺上叶（224 cm³ vs. 24.8 cm³）和右肺下叶（258 cm³ vs. 74 cm³）差异显著（P < 0.001）。右肺病灶体积中位数为549 cm³，大于左肺（140 cm³）。PJP组上叶病灶体积与全肺体积的比值更高（16.8% vs. 1.92%, P = 0.003），提示PJP病灶以上肺为主。两组间全肺平均炎症病灶密度无显著差异，但右肺上叶密度存在显著差异。PJP组在特定CT值区间的病灶体积显著大于BP组：全肺-700至-450 HU区间和全肺-450至-300 HU区间。

治疗与临床结局

PJP组与BP组在机械通气（82.6% vs. 67.3%, P = 0.083）和营养支持（40.4% vs. 44.2%, P = 0.683）方面无显著差异。但PJP组需要更多免疫球蛋白治疗（34% vs. 1.92%, P < 0.05）且呼吸衰竭发生率更高（68% vs. 46%, P = 0.028）。两组重症肺炎发生率、ICU住院时间和死亡率无显著差异。

预测模型构建与验证

多变量逻辑回归分析确定了五个PJP的独立预测因子：既往免疫调节剂使用（p = 0.025, OR 0.21）、降钙素原（PCT）水平（p = 0.013, OR 0.19）、炎症病灶体积/全肺体积（p = 0.015, OR 1.09）、全肺-700至-450 HU肺炎病灶体积（p = 0.042, OR 1.01）和全肺-450至-300 HU肺炎病灶体积（p = 0.025, OR 0.98）。基于此构建了诊断列线图模型。模型C指数为0.898。Hosmer-Lemeshow检验显示模型拟合良好（p = 0.266）。在训练队列中，受试者工作特征（ROC）曲线下面积（AUC）为0.898，最佳阈值为0.614，特异性90.4%，敏感性74.5%。外部验证队列AUC为0.820，最佳阈值为0.526，特异性79.4%，敏感性73.5%。校准曲线显示预测概率与观察结果一致性良好。决策曲线分析（DCA）表明模型在较宽的风险阈值范围内具有临床净获益。模型在训练队列和验证队列中的准确率分别为84.2%和81.6%。

讨论

本研究首次采用胸部CT病灶的数字表征方法，结合临床信息构建PJP预测模型，避免了传统手动描述病灶特征的主观性。AI辅助工具定量分析显示，PJP患者炎症病灶体积更大、密度更低，与BP患者存在显著差异，突出了数字方法在鉴别诊断中的优势。研究发现PJP患者慢性基础疾病和免疫抑制治疗史更常见，与PJP已知危险因素一致。PCT作为鉴别指标具有潜力。本研究创新性地对经mNGS确诊的PJP和BP患者进行了综合评估和比较分析，将数字化影像特征与临床实验室发现相结合，显著提升了复杂临床场景下病原体识别的准确性和可靠性。局限性包括训练队列样本量相对较小、单中心回顾性设计可能存在的选择偏倚。未来需要更大规模、多中心的前瞻性研究进一步验证。

结论

AI辅助CT分析能够精确定量病灶分布和密度，为超越传统影像学判读的鉴别诊断提供了新维度。所构建的模型显示出良好的准确性、敏感性和特异性，在指导PJP及时诊断和管理方面具有潜在临床价值。这些发现强调了AI和数字放射学在传染病诊断，特别是对PJP高危的免疫抑制人群中的新兴作用。此类进展可提高诊断精度，支持临床医生制定更可靠的治疗决策，从而减少误分类和不适当的抗生素使用。尽管结果令人鼓舞，但仍需承认其局限性，并进一步探索将mNGS数据与影像学和临床变量整合，以优化成本效益和临床效用。