基于深度学习的呼吸机相关性肺炎CT病灶分析与放射学负荷分层

《Frontiers in Medicine》：Deep learning–based CT lesion analysis and radiological burden stratification in clinically diagnosed ventilator-associated pneumonia

　　

摘要 呼吸机相关性肺炎（ventilator associated pneumonia, VAP）是重症监护病房（ICU）的主要并发症，需要客观的计算机断层扫描（CT）评估。因此，本研究进行了一项回顾性研究分析，并开发了一个多模态深度学习框架。首先，这项回顾性研究纳入了512例临床诊断为VAP的患者，随后利用所开发的多模态深度学习框架进行体素级病灶分割、多标签放射学征象分类以及放射学负荷分级。该框架整合了TotalSegmentator的解剖先验、三维（3D）Swin UNETR多任务网络以及CT特征与通气参数的交叉注意力融合。最终，研究表明内部验证的Dice评分为0.847，受试者工作特征曲线下宏观平均面积（AUC）为0.919，加权kappa值为0.826。外部验证显示Dice评分为0.821，不同扫描仪制造商之间无显著差异。在调整包括急性生理学和慢性健康评估II（APACHE II）评分在内的临床协变量后，放射学负荷水平与28天死亡率之间仍存在显著相关性（风险比[HR]=2.34，P<0.001），支持其潜在的预后相关性。

基于深度学习的呼吸机相关性肺炎CT病灶分析与放射学负荷分层——论文解读

一、研究背景与意义

呼吸机相关性肺炎（VAP）是机械通气患者常见的严重院内感染并发症，在ICU中发病率高达9%-27%，归因死亡率介于20%-50%。VAP不仅延长患者平均ICU住院时间6-13天，还使单例治疗成本增加约4万美元，是全球重症医学领域最具挑战性的医院感染问题之一。长期以来，VAP的临床诊断面临三大瓶颈：临床肺部感染评分（CPIS）的敏感性和特异性均低于70%；病原微生物培养存在48-72小时的诊断延迟；床旁胸片受分辨率和患者体位限制，难以准确评估病灶范围。虽然胸部CT凭借其对重力依赖区背侧实变、气压伤改变及坏死空洞的高分辨率成像已成为VAP影像评估的金标准，但影像判读主观性强、病灶边界模糊以及缺乏量化严重程度标准等问题依然突出。现有的人工智能辅助肺炎CT分析研究大多聚焦于社区获得性肺炎或COVID-19，而针对VAP这一特定临床场景的研究尚属空白。VAP的CT表现具有显著的场景特异性：长期卧床导致重力依赖区背侧实变明显；急性呼吸窘迫综合征（ARDS）背景下的弥漫性磨玻璃影与实际感染灶高度混杂；ICU设备如气管插管、胃管等产生伪影干扰；气压伤相关的纵隔气肿、气胸及肺不张使病灶边界判定更加困难。此外，现有的肺炎严重程度评分系统大多基于单一影像维度，缺乏与通气参数的多模态融合，且极少有研究验证模型输出的分级结果与ICU 28天死亡率等关键临床结局的相关性，这限制了智能诊断工具从技术可行向临床可用的转化。因此，构建一个能够整合解剖上下文、病灶定量分析、多任务表征学习以及互补性呼吸生理信息的客观、可重复的VAP智能辅助诊断框架，具有迫切的临床需求和深远的应用价值。

二、研究方法概述

研究人员采用单中心回顾性队列设计，纳入2019年1月至2024年6月期间某合作三甲医院ICU收治的512例符合严格纳入排除标准的临床确诊VAP患者的胸部CT数据，并从另一独立合作三甲医院收集77例作为外部验证队列。关键技术方法包括：第一，构建两阶段级联网络架构，第一阶段利用预训练的TotalSegmentator提取五叶肺及气道解剖先验，并通过“HU阈值-几何形态-拓扑连接”三级联合滤波策略去除ICU仪器伪影；第二阶段以3D Swin UNETR为主干网络，结合nnU-Net自配置策略，构建病灶分割、放射学征象分类和放射学负荷分级的端到端多任务学习系统。第二，提出影像与通气参数的多模态融合机制，通过交叉注意力（Cross-Attention）将呼气末正压（PEEP）、氧合指数（P/F）等五维通气参数与视觉特征深度融合。第三，建立基于病灶体积比例和累及肺叶数的三级有序严重程度分类系统（轻度/中度/重度），并验证其与28天死亡率的临床预后关联。

三、研究结果

3.1 数据预处理与标注一致性

研究采用双盲标注加第三方仲裁的三层标注流程，由五位胸影像专科放射科医师完成五种VAP相关CT征象（磨玻璃影GGO、实变、小叶中心结节、空洞、胸腔积液）的体素级标注。标注前双盲阅片者的总体Cohen's κ为0.81（95%CI: 0.78-0.84），其中胸腔积液一致性最高（κ=0.92），而GGO因边界模糊一致性最低（κ=0.76）。

3.2 第一阶段：解剖结构分割与伪影去除

研究人员通过TotalSegmentator成功提取五叶肺及气道解剖先验，并设计了三级联合滤波策略实现仪器伪影自动检测与抑制。该策略首先对原始CT进行HU阈值筛选（THU=600 HU）识别候选伪影体素，再通过三维骨架化计算伸长率指标（ER）区分管状设备和球形病灶，最后利用拓扑连接性约束保留与图像边界相连或沿气管解剖路径连续分布的连通分量，最终将识别出的伪影体素替换为-950 HU以实现软抑制。

3.3 第二阶段：多任务网络性能

内部验证结果显示：病灶分割任务的Dice评分为0.847；五种放射学征象多标签分类的宏观平均AUC为0.919；放射学负荷分级的加权kappa值为0.826。外部验证显示Dice评分为0.821，且不同CT扫描仪制造商（GE、西门子、飞利浦）之间无显著差异，证明了模型的跨设备泛化能力。

3.4 放射学负荷分级的预后价值

在调整包括急性生理学和慢性健康评估II（APACHE II）评分在内的临床协变量后，放射学负荷水平与28天死亡率之间仍保持显著独立相关性（风险比HR=2.34，P<0.001），表明该模型输出的分级结果具有独立的预后预测价值。

四、结论与讨论

本研究开发了一个面向临床确诊VAP患者的深度学习框架，实现了CT病灶定量分析和放射学负荷分层。该框架的核心创新不在于提出全新的算法组件，而在于将解剖先验引导的三维影像分析、多任务学习和基于交叉注意力的CT特征与机械通气参数融合进行面向任务的系统性整合，共同支撑病灶分割、放射学征象分类和放射学负荷分级。研究结果表明，该框架在内部和外部验证中均表现出优异的性能，且放射学负荷分级与患者28天死亡率显著相关，证实了其潜在的临床预后相关性。这一成果为VAP的客观化、智能化影像评估提供了可行的技术方案，有望推动智能诊断工具从技术可行向临床可用转化。