三维卷积神经网络在预测慢性阻塞性肺疾病患者气流受限方面的性能优于二维卷积神经网络

《Respiratory Investigation》：Superior performance of three-dimensional to two-dimensional convolutional neural network for predicting airflow limitation in patients with chronic obstructive pulmonary disease

COPD患者CT图像通过3D-CNN模型预测FEV1百分比较2D-CNN更精准，内部验证显示3D-CNN相关性系数达0.88（RMSE 10.73），显著优于2D-CNN（0.66，16.76）。外部验证中3D-CNN RMSE仍为11.48，优于2D-CNN的12.38，且置信区间显示非劣效性。研究证实三维卷积神经网络能有效捕捉COPD的复杂肺结构特征，为早期诊断提供新工具，但需扩大样本验证临床适用性。

　　慢性阻塞性肺疾病（COPD）是一种影响全球范围的常见呼吸系统疾病，其特征是气流受限和肺功能下降。由于COPD的临床表现与病情严重程度之间可能存在不一致，导致其诊断率不足，从而延误了诸如支气管扩张剂使用、物理治疗和营养干预等关键治疗时机。这种不一致可能源于患者的个体差异，包括肺部结构的复杂变化和病理生理过程的多样性。因此，开发一种能够准确预测COPD患者肺功能下降程度的工具显得尤为重要，这不仅有助于更早识别高风险患者，还能优化治疗方案，提升生活质量并降低医疗成本。

在本研究中，研究人员探讨了利用深度学习技术，特别是二维（2D）卷积神经网络（CNN）和三维（3D）CNN模型，对COPD患者肺功能指标——第1秒用力呼气容积的预测百分比（%FEV?）进行预测的可行性。%FEV?是评估COPD严重程度的重要参数，它反映了肺部在呼气时的最大容量，能够为患者提供更精确的病情分级依据。通过结合深度学习模型与回归方法，研究人员旨在提升对%FEV?的数值预测精度，从而更有效地支持临床决策。

研究采用了来自北海道大学医院的COPD队列数据，这些数据包含了200名患者的胸部CT扫描图像和肺功能测试结果。研究团队利用这些数据构建了基于ResNet-18架构的回归预测模型，并采用五折交叉验证的方法对模型进行内部验证。在验证过程中，研究人员进一步使用了外部数据集（包含20名患者的CT图像）进行模型的外部验证，以评估其在不同数据来源下的表现。此外，研究还评估了商业软件在预测%FEV?方面的效果，发现深度学习模型在预测精度上优于传统软件分析。

对于2D-CNN模型，其在内部验证中的平均均方根误差（RMSE）为16.76，相关系数为0.66，而在外部验证中，RMSE为12.38，相关系数为0.47。相比之下，3D-CNN模型在内部验证中表现更为出色，平均RMSE为10.73，相关系数为0.88；在外部验证中，其RMSE为11.48，相关系数为0.59。这些结果表明，3D-CNN模型在预测%FEV?方面具有更高的准确性和更强的泛化能力。特别是，在内部数据集上，3D-CNN的相对误差降低幅度达到了12.0%，而在外部数据集上，这一比例为7.3%，虽然未达到统计学意义上的显著性，但其方向与内部结果一致，且未出现误差的恶化，从而支持了其非劣效性。

在子群分析中，研究团队将患者分为气道主导型（AD）和肺实质主导型（ED）两类，分别基于CT图像中的气道变化和肺实质病变进行分类。结果显示，3D-CNN模型在AD和ED子群中均优于2D-CNN模型。在AD子群（n=22）中，3D-CNN的RMSE降低了约50.5%，而在ED子群（n=72）中，其相对误差减少比例达到了25.3%。这些结果进一步验证了3D-CNN模型在不同COPD表型中的广泛适用性，表明其性能优势并非由表型分布不均导致，而是源于其对三维结构特征的全面捕捉能力。

研究团队还探讨了CT扫描参数和图像重建功能对模型性能的影响。例如，内部数据集采用的是140kV的管电压，而外部数据集使用的是120kV的管电压。这种差异可能会影响CT图像的质量，进而影响模型的预测准确性。因此，未来的研究需要在更大的多中心数据集上进行验证，以确保模型在不同扫描条件下的稳定性和一致性。此外，图像文件中的滤波条件取决于DICOM格式的供应商，这也可能导致数据的异质性。为了减少这种异质性，需要在CT扫描和图像处理过程中实现标准化，这将有助于提高模型的泛化能力。

本研究的一个重要发现是，3D-CNN模型在预测%FEV?时，不仅在整体数据集上表现优异，而且在不同COPD表型的子群中均具有显著优势。这表明，3D-CNN能够更全面地捕捉肺部结构的复杂变化，从而为COPD的诊断和病情评估提供更准确的依据。然而，研究也指出了一些局限性。首先，当前的数据集主要来源于男性日本患者，因此，未来的研究需要纳入更多女性患者的CT数据，以确保模型的普适性。其次，Bland–Altman分析显示，模型在预测过程中仍存在一定的系统误差，这可能与训练数据的有限性有关。此外，研究未对模型的可解释性进行深入探讨，未来可以进一步研究模型的决策机制，以确保其预测结果与临床实践相结合。

深度学习技术在医学影像分析中的应用已经取得了显著进展，尤其是在自动分类、决策支持和图像重建等领域。例如，深度学习已被用于提高肺部疾病早期诊断的准确性，并帮助医生更好地理解疾病的进展过程。在COPD研究中，深度学习模型的引入为肺功能的预测提供了新的思路。通过结合CT图像和肺功能测试数据，研究人员能够更精确地评估患者的肺功能状态，并预测其未来的变化趋势。这种技术不仅提高了诊断效率，还可能为个性化治疗提供支持。

尽管本研究取得了令人鼓舞的结果，但其在临床应用中的潜力仍需进一步验证。例如，研究团队提到，未来的工作可以探索3D-CNN模型在预测COPD患者临床病程方面的应用。目前，一些基于胸部X光和COPD评估测试的深度学习模型已被用于生存预测，这些模型在某些情况下表现优于传统的预后指标。因此，3D-CNN模型有望在COPD的长期管理和疾病进展预测中发挥重要作用。

总体而言，这项研究为COPD的肺功能预测提供了新的方法，并展示了3D-CNN模型在这一领域的显著优势。然而，为了确保模型的广泛适用性和临床实用性，还需要进行更多的研究，特别是在不同人群和不同CT设备上的验证。此外，研究团队还指出，未来的工作可以探索如何提高模型的可解释性，以更好地指导临床实践。最后，研究强调了标准化CT扫描和数据处理的重要性，这将有助于减少图像质量的差异，提高模型的稳定性和可靠性。