基于深度学习的CT定量分析在预测进展性纤维化间质性肺疾病风险及预后中的价值

这篇研究通过深度学习定量CT（QCT）技术，揭示了基线网状影（RO）和纤维化程度是进展性纤维化间质性肺疾病（PF-ILD）的独立预测因子（OR: 1.096和1.035），且联合肺功能指标（FVC%）可显著提升死亡率预测效能（C-index: 0.714 vs 0.545）。研究为PF-ILD的早期识别和精准预后评估提供了客观影像标志物，对临床决策具有重要价值。

　　

引言
进展性纤维化间质性肺疾病（PF-ILD）以CT可见的纤维化进展、肺功能下降（如FVC%预测值下降≥5%）和早期死亡为特征。尽管标准治疗可改善部分患者预后，但准确预测疾病进展仍是临床挑战。深度学习定量CT（QCT）技术的出现为客观评估ILD特征（如网状影、蜂窝影）提供了新工具。

材料与方法
这项单中心回顾性研究纳入2015-2021年间465例ILD患者，通过商用深度学习软件（AVIEW Lung Texture）量化基线及随访CT中的ILD特征：磨玻璃影（GGO）、网状影（RO）、蜂窝影及纤维化程度（RO+蜂窝影）。PF-ILD定义为CT纤维化进展联合FVC%预测值下降≥5%。采用逻辑回归分析PF-ILD预测因子，Cox回归评估死亡率，并通过C-index验证QCT联合FVC的增量价值。

结果

1. 预测PF-ILD：基线RO（OR: 1.096）和纤维化程度（OR: 1.035）是PF-ILD的独立预测因子。1年内RO增加（OR: 1.085）同样具有预测价值。
2. 预后评估：基线RO（HR: 1.063）、蜂窝影（HR: 1.074）和纤维化程度（HR: 1.067）与全因死亡率显著相关。QCT联合FVC的预测模型（C-index: 0.714）显著优于单纯FVC模型（C-index: 0.545）。
3. 1年进展的意义：1年内纤维化程度增加≥1%联合FVC下降≥5%的患者，死亡风险翻倍（HR: 2.059-2.199）。

讨论
研究首次证实QCT量化RO的动态变化对PF-ILD预测的关键作用。与蜂窝影（终末期病变）不同，RO可能反映活跃的炎症-纤维化进程，这解释了其更强的预测效能。值得注意的是，传统视觉评估的UIP模式在调整QCT后失去预后意义，凸显QCT的客观优势。

临床启示
QCT可早期识别PF-ILD高风险患者，指导更密集的监测和抗纤维化治疗（如尼达尼布）的及时启动。未来需多中心前瞻性研究验证QCT在症状整合定义中的价值。

创新与局限
研究创新性结合纵向QCT与肺功能数据，但回顾性设计未纳入症状指标，且外部验证待开展。不同CT设备的标准化仍是QCT应用的挑战。

结论
深度学习QCT为PF-ILD的风险分层和预后管理提供了可量化的影像学生物标志物，推动ILD诊疗迈向精准化。