《Diagnostics》：Automated CT-Based Quantification of Pulmonary Fibrosis Using Deep Learning-Based Lung Segmentation
编辑推荐：
背景/目的：开发并评估一种基于计算机断层扫描(CT)的自动化框架，用于对纤维性间质性肺病(ILD)，包括特发性肺纤维化(IPF)，进行定量评估，该框架采用标准化六层面解剖学方案与深度学习肺分割。方法：分割数据集包含来自92例患者的3315张人工标注开发切片，以
背景/目的：开发并评估一种基于计算机断层扫描(CT)的自动化框架，用于对纤维性间质性肺病(ILD)，包括特发性肺纤维化(IPF)，进行定量评估，该框架采用标准化六层面解剖学方案与深度学习肺分割。方法：分割数据集包含来自92例患者的3315张人工标注开发切片，以及5例患者845张切片的非重叠内部留集；另有一个独立的100项研究定位/评分集，在排除3项DICOM转换失败研究后形成97例患者一致性队列（84例IPF、13例其他ILD；1164个逐层面、逐肺观察）。YOLO11n-seg掩码经过血管与结构去除后进行纤维化检测。径向空间评分与非盲专家裁断参考标准比较；逐层面Fibrosis Index作为辅助读出。结果：五例内部分割留集上平均交并比(mIoU)为0.926±0.017，样本内开发值约0.95。批大小1时模型仅推理时延73.8±9.7 ms/切片，批大小512峰值吞吐1.48 ms/切片。在97例患者一致性队列中，967/1164观察(83.1%)专家裁断分与自动分相同，197个(16.9%)不同；修正评分子集中Pearson r为0.918，平均绝对误差3.07，ICC(2,1)为0.889（患者聚类95% CI 0.828–0.923）。合并ICC(2,1)为0.988(0.982–0.992)，但因967对未改值按构造相同而被夸大。七例研究患者端到端顺序处理均值22.5 s/例，定位占88.1%。结论：该框架整合肺分割、解剖学标准化采样与自动纤维化评分；径向评分在非盲专家裁断下显示初步分析一致性。纤维化检测器仍是概念验证，基于8-bit窗化图像，未与独立像素级纤维化掩码比较；径向分区为探索性评分约定，未与其他分区或临床结局比较。需使用原生Hounsfield单位数据与独立盲态读者开展更大外部研究。
研究背景方面，特发性肺纤维化(IPF)是一种慢性进行性间质性肺病(ILD)，以肺实质不可逆纤维化和预后差为特征。临床监测主要依赖肺功能检查(PFTs)，尤其是用力肺活量(FVC)与一氧化碳弥散量(DLCO)，以及高分辨率计算机断层扫描(HRCT)。传统视觉评分系统虽直观，但观察者间变异性大、可重复性有限，即便对ATS/ERS/JRS/ALAT的普通型间质性肺炎(UIP)模式分类，观察者间一致性也仅为中等。现有计算机辅助方法多隐含假设序列CT间具有充分解剖对应，但临床中不同屏气深度会产生非刚性形变，刚体或平移对齐不能恢复层内组织对应，可变形配准计算量大且可能引入插值伪影。因此研究人员采用预设解剖标志进行跨检查层面选择标准化，以促进一致解剖采样，但不建立体素或组织级对应。
研究人员开展的研究是：开发并评估一种自动化基于CT的肺纤维化量化框架，采用源自台湾ILD半定量影像评估共识的标准化六层面解剖学方案，并结合YOLO11n-seg（一种纳米规模YOLO分割模型）进行肺分割，生成标准化、确定性的逐层面、逐肺纤维化评分，并与非盲专家裁断参考标准进行一致性分析。论文发表于《Diagnostics》。
关键技术方法方面，研究人员使用中国医药大学暨附设医院伦理批准下的纤维性ILD登记数据；分割数据为97例患者4160切片（92例开发、5例内部留集），独立100项研究定位/评分集经质量管控后得97例患者（84 IPF、13其他ILD）共1164观察。方法上采用YOLO11n-seg做肺分割，混合两阶段自动定位六个解剖层面（几何/灰度形态学锚点加YOLOv12六类检测器，再用普通最小二乘预测层面索引），纤维化检测以8-bit窗化图像（窗宽/窗位1500/?600 HU）经强度候选、Frangi类Hessian血管性响应、基于连通性的肺门血管树去除、实体度描述子去除气道壁与实性结构，保护蜂窝影，并以二维图像坐标的位置先验加权胸膜下与下野区域，输出逐层面面积加权Fibrosis Index与探索性径向象限/18°扇区评分。
3.1 数据集中，分割数据集含4160 HRCT切片，92例开发3315切片，5例留集845切片，留集患者各有多于两次HRCT。
3.2 分割基准要点中，在NVIDIA RTX A6000上YOLO11n-seg约35分钟收敛；批1时延73.8±9.7 ms/切片，批512吞吐1.48 ms/切片；七例顺序端到端均22.5 s/例，定位占88.1%，分批定位可投影约6.1 s/例。10折交叉验证mIoU 0.9402±0.0044，五例内部留集mIoU 0.926±0.017；研究得出纳米变体计算负担最低且适合流程化，但工程基准不等于临床工作流性能。
3.3 AI衍生与专家裁断半定量纤维化评分一致性中，1164观察中967个未改(83.1%)，197个修正子集中Pearson r 0.918、ICC(2,1) 0.889、MAE 3.07；误差以血管过度检出为主（97例，自动减专家均+2.7），漏诊纤维化46例（均?3.3），其他50例均+2.0；研究得出非盲裁断支持方法学可行性，但合并ICC因恒等值被夸大，修正子集才具信息量。
3.4 角度分布、读出关联与分区敏感性中，20个18°扇区均纤维化分数自0.124到0.320呈后下部梯度；Fibrosis Index对角度无关且分区扰动下变化恰为0.00，径向评分在±9°旋转中位变0.25、全90°扫描中位均绝对变1.36且象限细分决策在57.9%观察改变；两读出Pearson r 0.916但不等价（径向=0.729×Index+3.64）。研究得出径向分区具构念效度局限，Index适合作角度无关负担总结，径向图仅作探索性区域分辨。
讨论部分总结：研究人员指出框架整合YOLO11n-seg与六层面共识采样，可减轻屏气差异带来的采样不一致，但未评估序列重复性；纤维化检测以形态而非灰度为主，8-bit窗化限制血管与纤维化分离，需原生HU（Hounsfield Unit，亨氏单位）重校准与验证；Index与径向评分性质不同，径向网格放置影响绝对分但不影响与专家差值因为裁断用同网格；工程吞吐不能代表端到端；一致性高值含构造恒等对，修正子集才反映真实一致；局限含5例分割留集小、单放射科医师非盲、无独立像素级参考、七例计时少、径向未比其他分区或临床结局。未来需原生HU、多中心外部队列、诊断分层、独立盲态读者与预设分区比较。
结论部分翻译：研究人员开发了一种用于HRCT上侧别分辨肺纤维化量化的自动化混合框架。YOLO11n-seg在5例既往未见患者的内部留集上取得mIoU 0.926±0.017，开发期约0.95值为样本内结果；六层面方案提供解剖锚定采样，但研究未评估纵向重复性。逐层面、逐肺径向评分在非盲专家裁断下显示探索性一致：1164观察中83.1%专家与自动值相同，197观察修正子集ICC(2,1)为0.889。这些发现仅支持方法学可行性，并未确立影像生物标志物、客观临床决策支持工具、像素级纤维化准确性、盲态观察者间一致性、优于矩形或其他分区的优势，或径向评分的临床/预后效度。七例顺序端到端均22.5 s/例且以定位为主；分批定位投影约6.1 s但集成批处理工作流未被直接计时。需以独立盲态读者与独立绘制纤维化参考标准开展更大型外部队列研究。
