基于PMFF-Net深度学习模型的UIP、NSIP与OP影像分类研究：提升间质性肺疾病诊断效率的新策略

本研究针对间质性肺疾病(ILD)影像诊断高度依赖医师经验的问题，开发了基于并行多尺度特征融合网络(PMFF-Net)的深度学习模型。该模型在105秒内完成18例HRCT图像分类，准确率达92.84%，显著优于各级医院医师诊断水平（83.33%-33.33%），为临床快速鉴别寻常型间质性肺炎(UIP)、非特异性间质性肺炎(NSIP)和机化性肺炎(OP)提供了高效辅助工具。

　　

间质性肺疾病(ILD)作为包含200余种亚型的复杂疾病群，其诊断始终面临"同影异病"的挑战。高分辨率CT(HRCT)虽是关键诊断手段，但UIP、NSIP和OP等亚型影像特征高度重叠，即使资深放射科医师诊断准确率也仅83.33%。更严峻的是，中国二级医院内科医师对ILD亚型的误诊率高达66.67%，凸显医疗资源不均衡带来的诊断鸿沟。昆明医科大学第一附属医院团队在《Computers in Biology and Medicine》发表的研究，开创性地将Transformer全局特征提取与CNN局部特征捕捉相结合，构建了PMFF-Net深度学习模型。

研究团队从昆明4家三甲医院纳入130例ILD患者HRCT数据（UIP 38例/NSIP 49例/OP 43例）及50例正常对照，采用GE 64排CT机获取图像。关键技术包括：1) 通过PVTv2与ResNet50构建双分支网络架构；2) 设计DAFF模块实现多尺度特征融合；3) 应用混合损失函数(L_BCE+L_IOU)进行分层监督；4) 采用Grad-CAM生成可视化热图验证特征提取效果。

【材料与方法】
研究严格筛选2017-2023年间符合ATS/ERS诊断标准的病例，排除其他肺部疾病干扰。创新性地保留连续CT切片信息，通过ColorJitter和GaussianBlur数据增强提升模型鲁棒性。

【结果】
模型验证集表现惊艳：整体准确率93.04%，其中NSIP识别率高达95.20%。测试集维持92.84%准确率，UIP诊断精度达97.60%。热图显示模型能准确定位磨玻璃影、蜂窝征等特征性病变，与医师标注区域高度吻合。

【性能对比】
模型诊断效率呈碾压优势：完成18例诊断仅需105秒，而资深医师需660-840秒。尤为关键的是，模型准确率超越三甲医院高年资医师9.51个百分点，较二级医院内科医师提升近3倍。

【讨论】
该研究突破传统CNN模型感受野限制，通过Transformer-CNN混合架构实现"宏观+微观"双重特征解析。相较于Walsh等报道的76.4%准确率，本研究将ILD亚型分类精度提升16个百分点。模型临床价值显著：① 可辅助资源匮乏地区医师实现精准诊断；② 避免活检等有创检查；③ 为个体化治疗提供影像学依据。

【结论】
PMFF-Net模型开创了ILD智能诊断新范式，其92.84%的准确率与秒级诊断速度，有望重塑ILD诊疗流程。未来通过纳入更多亚型数据和前瞻性验证，该技术或将成为ILD诊断的"电子显微镜"，为分级诊疗体系提供关键技术支撑。研究团队特别指出，该模型无需人工标注ROI区域，真正实现了"端到端"的智能诊断，这对医疗AI的临床转化具有示范意义。