基于可变辐射剂量图像的肺气肿与死亡风险的不确定性感知定量 CT 评估：为临床决策提供更精准依据

为解决定量 CT 评估肺气肿对 CT 协议敏感，增加疾病评估不确定性，影响传统指标临床效用的问题，研究人员开展了利用多任务贝叶斯神经网络（BNN）联合评估肺气肿和死亡风险的研究。结果显示，DL-ALD 在不同剂量 CT 图像间更一致，该方法还能量化不确定性，有助于提高 CT 评估慢性阻塞性肺疾病（COPD）的准确性。

　　摘要：旨在开发一种能联合、一致评估肺气肿和死亡风险，并量化数据与模型不确定性的自动化方法。前瞻性 COPDGene 研究中，5 年随访时接受全辐射剂量（FD）和降低辐射剂量（RD）胸部 CT 扫描的参与者被纳入研究，并分为训练集（80%）、验证集（10%）和测试集（10%）。研究人员训练了一个多任务贝叶斯神经网络（BNN），用于估计 FD 体积校正肺密度（ALD），且不受采集协议影响，同时还能预测 5 年死亡风险。在测试集中对数据和模型的不确定性进行了量化，并将深度学习得到的 ALD（DL-ALD）与传统 ALD 进行比较。结果：共纳入 1350 名参与者（平均年龄 64.4±8.7 岁；659 名女性）。与传统 ALD 相比，DL-ALD 在 FD 和 RD CT 图像间的一致性更高（平均差异：1 g/L±3.1 对比 14.8 g/L±5.3，p<0.001）。不同图像协议下预测的 5 年死亡率相似（平均差异：0.0007±0.02，p = 0.76）。在量化 DL-ALD 时，患有严重肺气肿的参与者，其图像变异性相关的不确定性更低（皮尔逊相关系数 rho = 0.79，p<0.001）；与其他参与者相比，严重和早期阶段参与者的死亡风险模型不确定性更低（p<0.001）。结论：与传统的肺气肿 CT 评估方法相比，所提出的多任务 BNN 对成像协议的鲁棒性更强。此外，它能直接测量不确定性，有助于推广到不同的成像协议和患者群体。