RSNA2023胸部影像學

謝開,孫希子,唐媛媛,陳沖,趙延潔,周舒暢,夏黎明

人工智能/深度學習

胸部X線片(CXR)是放射科最常見的檢查。Pant等使用人工智能(AI)模型DeepTek AI回顧性地將四家醫院(A、B、C和D)17500例正位CXR分為“可能正?！被颉耙伤飘惓！?在不同的閾值下,DeepTek AI從A、B、C和D區分出“可能正?！钡谋壤謩e為21%、28%、31%、20%和45%、55%、63%、37%,錯誤率(實際異常但評估為可能正常的比例)分別為4%、3%、1%、3%和11%、6%、8%、8%,醫生從A、C和D區分出“可能正?！钡谋壤秊?1%、65%和76%,錯誤率為11%、3%和11%,AI評估的結果與醫生的一致性高達95%。DeepTek AI可以有效地區分正常和異常CXR,從而優化放射科工作流程。Lee等評估了正常過濾(NF)AI模型檢測異常CXR的敏感度及報告的正常CXR的比例,發現當NF模型閾值特異度設定為50%時,可以減少22.0%的正常CXR的報告工作量,總體敏感度為97.8%。研究還聯合了可檢測CXR異常的商用(CA)AI模型,CA模型檢測出了16.7%的漏診異常病例。NF模型具有減少放射科醫生工作量的潛在價值,而與CA模型的聯合使用有助于防止漏診。

CXR的診斷錯誤率一直保持不變,AI的應用有助于提高診斷正確率。Talwar等基于一種商用AI系統(Annalise Enterprise CXR)回顧性分析了一家教學醫院的1559例CXR,并與原始影像報告進行了對比。AI共發現169例CXR存在重要病變,而其中97例原始報告經醫生確認為漏診,常見的漏診病變有肺結節(16%)、胸腔積液(16%)、椎體壓縮性骨折(12%)等。Frias等通過基于自然語言處理(NLP)的影像報告搜索引擎(Microsoft Nuance)查詢了3760例CXR是否存在孤立性肺結節(SPN)、肺炎和氣胸等,每份影像報告(Rad1)由醫生進行人工審核,并用多發現AI算法(Annalise.AI)確認診斷是否一致,結果發現NLP/Rad1和AI具有較高的真陽性和真陰性一致性,NLP/AI模式可以識別CXR的誤診和漏診。Luchs等應用AI模型回顧性地分析了519例65歲以上患者的CXR,用于評估是否存在骨質疏松和椎體楔形骨折。AI模型檢測出的骨質疏松和椎體楔形骨折分別為76例(14.6%)和58例(11.2%),而放射報告中分別為8例(1.5%)和0例(0.0%),模型與報告不一致的原因主要是放射科醫生的未報告。他們還利用AI模型回顧性分析了1261例門診老年(≥65歲)患者的CXR圖像,發現AI模型對于部分慢性疾病檢測的敏感度和特異度優于放射科醫生的報告。

盡管AI應用于臨床可以提高診斷效能和工作效率,但仍需要評估實際使用情況,以確保AI更好地輔助臨床實踐。Tang等比較了使用三種AI用戶界面(僅文本;聯合AI置信度評分和文本;AI置信度評分、文本和圖像)和不使用AI下放射科醫生對胸片上肺結節和腫塊的診斷情況,發現醫生使用僅文本AI用戶界面時的受試者操作特征(ROC)曲線下面積(AUC)高于未使用時的AUC(0.87 vs.0.82),而另外兩種界面與未使用時無明顯差異。Dasegowda等對應用于臨床的CXR診斷AI算法進行了多中心上市后監測(PMS),發現AI算法的獨立診斷性能優于放射學報告,AI輔助顯著提高了放射科醫生診斷的AUC(增加6%～19%)。Scrivner等使用擴展技術接受模型(ETAM)評估了放射科醫生對計算機輔助診斷(CAD)技術的接受和使用情況,參與評估的醫生表示信任AI,但AI仍存在閱片時間等方面的問題,主要問題在于AI用戶測試中缺乏放射科醫生參與導致整合性和可用性低。AI開發應將用戶訓練和工作流程整合等納入考慮,有助于AI更好應用于臨床。目前通過圖像預處理技術[如直方圖均衡化(HE)、對比限制適應性直方圖均衡化(CLAHE)以及非銳利掩膜(UM)],許多檢測CXR異常的AI方法已經有了具有前景的進展,但應用于來自不同機器的不同圖像特征時這些方法受到了一定限制。Shin等提出了一種基于X射線物理的數據增強(XPA)技術,發現應用XPA的AI模型診斷性能在不同的掃描機器上都優于未應用的模型。

要在臨床中發揮AI的價值,還應該關注其應用在不同類型患者上的差異。Sourlos等比較了商用AI軟件和放射科醫生檢測肺氣腫患者和非肺氣腫患者胸部CT上肺結節的能力,發現在非肺氣腫患者中,AI檢測肺結節的能力優于放射科醫生,但在肺氣腫患者中,盡管AI敏感度較高,但假陽性率也較高,因此診斷能力不如醫生。不同軟件之間診斷也有所差異。Hsiao等比較了三種AI軟件ClearRead CT v5.6.3(Riverain Technologies,Miamisburg,OH)、InferRead Lung CT.AI vR12(Infervision Technology,Philadelphia,PA)和Lung AI(MICA v29.8,Research Model:AMM7;Arterys,Redwood city, CA)在胸部CT上檢測肺轉移癌患者肺結節的能力,發現三種軟件檢測的結節與放射科醫生報告的結節有很大差異,盡管Infervison檢測到的結節數量最多,但Arterys檢測到的結節在最終報告中的占比最大。

Chalil等利用2000例CXR(訓練集:驗證集=80:20)對預先訓練的卷積神經網絡(CNN)進行遷移學習,用于檢測胸片上的醫療設備或其他異物并進行分類,發現訓練過的模型可以較準確地進行分類,未來需要進一步更大量的數據集對其進行訓練以提高模型性能。在CXR上檢測和測量氣管導管(ETT)的AI工具主要應用于放射科。Bera等比較了ICU醫生在有和沒有AI輔助的情況下檢測和測量ETT的差別,發現使用AI后醫生診斷的敏感度和特異度都有所提高,平均診斷時間縮短了約52%,75%的受試者表示希望在臨床實踐中使用AI。

高分辨率(HR)數據可以提高深度學習(DL)模型的診斷性能。Yanagawa等分別基于正常分辨率(NR,矩陣512×512,層厚0.5 mm)和HR(矩陣2048×2048,層厚0.25 mm)CT圖像數據開發了兩個預測浸潤性肺腺癌(IVA)的DL模型,發現在訓練集和測試集中,HR模型的AUC均明顯高于NR模型(P<0.05),放射科醫生在使用HR模型的情況下,診斷的準確率和敏感度相比于未使用時明顯提高。

DL重建(DLR)方法可以提高圖像質量。Ota等回顧性收集了20例急診胸部CT圖像,并用運動偽影矯正DL重建(MC-DLR)方法進行重建,并由幾位放射科醫生和技師獨立隨機地對運動偽影進行評分,結果發現使用MC-DLR重建的圖像評分相比于未使用的顯著降低。急診患者通常難以采集到高質量的CT圖像,而MC-DLR能有效減少后處理圖像中的運動偽影,提高圖像質量。Takenaka等分別用混合迭代重建(Hybrid-IR)和DLR方法對40例患有肺部疾病患者的標準[CT劑量指數體積(CTDIvol):(9.0±1.8) mGy]、減量[CTDIvol:(1.7±0.2) mGy]和超低劑量[CTDIvol:(0.8±0.1) mGy]CT(SDCT、RDCT和ULDCT)的高清CT(HDCT)進行了重建并分析比較,發現DLR獲得的CT圖像信噪比(SNR)明顯高于Hybrid-IR(P<0.0001),且在ULDCT中DLR對病灶的檢出能力優于Hybrid-IR。Lv等發現相比于自適應統計迭代重建(ASiR-V)算法,DLR算法結合低管電壓(100 kVp)可以顯著降低胸部CT掃描的輻射劑量,聯合圖像增強濾波器(LU)可以明顯降低圖像噪聲,提高圖像質量。Wang等對60位患者的常規劑量CT(RDCT)和低劑量CT(LDCT)圖像進行了分析,RDCT使用Hybrid-IR算法重建,LDCT分別使用Hybrid-IR和DLR算法重建,發現DLR重建的LDCT的整體圖像質量明顯優于Hybrid-IR(P<0.001),與RDCT相當。

Cho等開發了一個基于DL的自動預測算法(DLLV),可以根據CXR預測左心室射血分數(LVEF)。在測試集中,DLLV預測患者LVEF≤35%和≤50%的AUC分別為0.79和0.80,根據DLLV結果有選擇性地建議超聲心動圖檢查可減少70%的檢查,而DLLV不建議超聲心動圖檢查的患者中,僅有0.1%的患者LVEF異常。DLLV可對需要超聲心動圖檢查的患者進行預篩,減少不必要的檢查。

最近大型語言模型(LLMs),如ChatGPT和Google Bard已被廣泛應用,帶來許多益處,但也存在一些問題。Rahsepar等分別在ChatGPT和Google Bard提出了關于肺癌預防、篩查以及影像報告中常用術語(基于美國放射學學會和Fleischner學會的Lung Imaging Reporting and Data System(Lung-RADS)v2022建議)的問題,發現ChatGPT回答時的準確率和一致性均優于Google Bard。盡管LLMs為醫學等領域提供了新的可能性,但醫療決策的實施仍需要嚴格審查。Haver等評估了由ChatGPT生成的肺癌預防和篩查常見問題回答的可讀性,得到的答案總體平均語言復雜度為49.7,總體平均可讀性為12.6級,對于大眾難以理解。在經過ChatGPT、GPT-4和Bard對這些答案進行簡化后,語言復雜度和可讀性得到優化。LLM的文本簡化能夠提高信息的臨床適用性,有助于大眾更好地獲取健康信息。

影像組學

PD-L1表達決定了非小細胞肺癌(NSCLC)患者治療方案的選擇,其表達水平可用于評估患者免疫治療后反應。Gong等從259例病理確診的NSCLC患者術前平掃CT圖像中提取了影像組學特征和DL特征,用于預測PD-L1表達,計算得到了每位患者的影像組學得分(Rad-score)和DL影像組學得分(DLR-score)。在訓練隊列和驗證隊列中,PD-L1表達的Rad-score AUC分別為0.786和0.702,DLR-score AUC分別為0.983和0.942,可非侵入性地預測PD-L1表達。Chen等收集了117例接受度伐單抗治療的晚期NSCLC患者的治療前(n=117)和治療后(n=79)CT圖像,并提取了影像組學特征,發現治療后影像組學特征與臨床特征結合的模型預測患者總生存期(OS)的能力最佳,治療前影像組學特征模型的預測能力也優于單獨的臨床特征模型。

模型設計是成功構建模型的關鍵。Gordon等分別使用兩種特征提取技術(從分割病灶中手工提取特征和預訓練ResNet從最大腫瘤周圍邊界提取深度特征)構建了基于胸部CT預測NSCLC患者表皮生長因子受體突變狀態(EGFRm+/-)影像基因組學的模型,發現使用手工提取特征通過主成分分析(PCA)過濾影像基因組學模型相比于深度特征表現出更好的預測能力和前瞻普適性。

肺泡間轉移(STAS)會影響NSCLC患者手術方法的選擇和患者的預后。Lou等回顧性收集了373例NSCLC患者的術前胸部CT和臨床資料,構建了五個預測NSCLC STAS的模型:一個臨床模型、兩個影像組學模型(經典腫瘤影像組學模型和擴大腫瘤影像組學模型)和兩個組合模型(經典腫瘤組合模型和擴大腫瘤組合模型),研究發現經典腫瘤影像組學和組合模型對STAS的預測能力相對較好,但擴大腫瘤興趣區(ROI)并不能提高模型預測能力。

Huang等基于DL和影像組學提取了胸部CT上磨玻璃密度結節(GGN)的臨床和形態特征及全肺影像特征,并利用反向傳播神經網絡構建5種預測良性和惡性GGN的模型,研究發現綜合臨床形態學特征、全肺影像組學特征和全肺圖像特征(CMRI)的模型在內部驗證集、外部測試集1和2中的AUC最高,分別為0.886、0.830和0.879。

酪氨酸激酶抑制劑(TKIs)是復發或晚期不可切除骨肉瘤(OS)患者的主要治療手段。Zhou等回顧性納入了90例OS肺轉移患者的胸部CT圖像,提取并生成了影像組學特征,利用影像組學特征和臨床特征分別建立了兩個多變量COX比例風險回歸模型(R模型和C模型),并基于所有特征建立了多維諾莫圖(RC模型),用于預測OS患者的無進展生存期(PFS)。研究發現R模型和RC模型預測PFS的能力均優于C模型,影像組學可用于預測接受TKIs治療的OS患者的預后。

Zhang等開發和驗證了一個基于增強CT評估胸腺上皮腫瘤(TET)侵襲性和組織學風險的影像組學和語義學諾莫圖,對于Masaoka-Koga分期和WHO分類,聯合模型分別整合了5個瘤周影像組學特征、4個語義學特征和5個瘤周影像組學特征、2個語義學特征,測試集上區分早期(Ⅰ/Ⅱ期)、進展期(Ⅲ/Ⅳ期)和低風險(A/AB/B1型)、高風險(B2/B3/C型)TETs的AUC分別為0.958和0.857。結合了瘤周影像組學特征和語義學特征的諾莫圖有助于確定晚期和高風險TET以及術前決策。

氣道病變與慢性阻塞性肺疾病

Lee等基于胸部CT對重癥哮喘患者治療前后支氣管擴張(BE)評分和黏液嵌塞(MI)程度進行可視化定量分析,發現治療后MI范圍變化的臨床意義高于BE評分,其變化與管徑10 mm的氣道壁面積的平方根(Pi10)、肺功能檢查(PFT)和嗜酸性粒細胞的變化相關,可通過對氣道的定量分析和對MI程度的視覺分析評估患者治療后的反應。

肺葉切除術后右肺中葉(RML)扭轉可能危及患者的生命。Tamizuddin等分析了52例影像學疑似但并未扭轉及6例確診RML扭轉的患者的CXR及CT的影像學特征,發現確診患者影像更易出現反暈征、受累肺葉磨玻璃密度影(GGO)范圍更廣、冠狀面上RML支氣管和中間支氣管之間的夾角更大,這些特征有助于放射科醫生更早、更準確地診斷RML扭轉,從而改善患者預后。

肺淋巴管畸形(PLM)在伴有淋巴-氣道或肺泡漏時,乳糜漏會導致乳糜性肺炎和塑型性支氣管炎,由于壓力變化等原因氣道中的氣體會進入淋巴管,形成淋巴泡沫征(LBS),是高分辨率CT(HRCT)上診斷淋巴-氣道或肺泡漏的特殊征象。Liu等回顧性收集了810例診斷為原發性肺淋巴瘤(PPL)的患者,其中62例伴有乳糜性痰和塑型性支氣管炎的患者都有肺和(或)縱隔LBS,這些患者在之后1～6個月的隨訪中LBS呈動態變化。

Jorshery等對之前開發的基于CXR預測肺相關死亡率的CNN(CXR-Lung-Risk)進行了外部驗證,用于評估其預測6年內慢性阻塞性肺疾病(COPD)高風險人群的能力。研究發現CXR-Lung-Risk與COPD的發生顯著獨立相關,且CXR-Lung-Risk與臨床風險評分(TargetCOPD)聯合預測的AUC(0.72)高于僅TargetCOPD預測的AUC(0.66)。CXR-Lung-Risk有助于識別COPD高風險的人群,有助于患者的早期干預。Park等使用AI分析了COPD患者胸部CT的支氣管擴張評分,該評分反映了內氣道相對于近端氣道的異常變細程度(評分≥1.1可認為有氣道擴張),研究發現支氣管擴張評分、CT壁面積百分比和第一秒用力呼氣容積(FEV1)在多變量分析中是COPD急性加重的重要預測因素(OR:1.12,95%CI:1.03～1.22,P=0.007)。使用AI自動量化支氣管擴張程度可以預測COPD急性加重。

骨質疏松是COPD的主要合并癥,也是椎體壓縮性骨折(VCF)易發生的原因之一,而VCF導致的脊柱形態改變會影響肺的擴張從而影響肺功能。Nadeem等開發了一種基于DL自動評估VCF的方法,發現GOLD 2～4級的COPD患者VCF計數顯著高于GOLD 0級的患者,女性患者的VCF計數較低,年齡與VCF計數呈正相關。

Lee等開發并驗證了一種基于CXR檢測肺氣腫的深度神經網絡,深度神經網絡在內部測試集(n=184)、外部測試集1(n=491)和外部測試集2(n=559)中的AUC分別為0.90、0.90和0.87,可較準確地診斷肺氣腫。

肺彌漫性疾病

Lee等應用基于DL的人體成分分析軟件對特發性肺纖維化(IPF)患者基線和1年后胸部CT所示的T12～L1層面的平均脂肪面積和肌肉面積進行了計算,通過COX回歸分析、Kaplan-Meier曲線及Log-rank檢驗評估了成分變化與預后之間的關系。研究發現,第一年病程中脂肪面積顯著減少與患者的不良預后相關。Rothenberg等比較了全自動和半自動定量CT(QCT)生物標記物預測IPF患者無移植生存期(TFS)的準確性,研究使用全自動AI算法基于HRCT量化肺間質異常(ILA),包括全肺百分比(ILA-WL)和邊緣百分比(ILA-R),并應用半自動測量得到肺表面不規則(PSI)評分,同時計算了由性別、年齡、肺功能測試結果組成的性別-年齡-生理學(GAP)評分。結果發現全自動AI算法的生物標志物在預測TFS方面的準確性高于PSI和GAP評分,可能可以作為IPF患者更準確的預后評估方法。Knopf等分析比較了端粒長度正常和縮短的間質性肺病(ILD)患者胸部HRCT影像進展的情況,發現端?？s短患者的進展率更高,端粒長度與影像學進展顯著相關。端粒長度可用于評估ILD患者的影像進展風險,從而對高風險人群進行密切隨訪或早期干預。

進行性肺纖維化(PPF)是指表現出進行性特征,除IPF外的其他ILD,可通過抗纖維化藥物治療。Cho等回顧性收集了75位確診為ILD(除IPF外)并進行肺活檢的患者,將患者分為PPF和非PPF,發現普通型間質性肺炎(UIP)病理類型與影像學上蜂窩樣改變、牽拉性支氣管擴張和網格樣改變表現相關(P<0.001),牽拉性支氣管擴張為PPF的唯一預測因素(HR=6.54,P=0.003),PPF(HR=3.96,P=0.013)和高齡(HR=1.13,P<0.001)與非IPF ILD患者死亡風險增加相關,提示及時開始抗纖維化治療對改善患者預后的重要性。目前除了IPF,尚沒有針對UIP病理類型的的HRCT診斷標準,而UIP是預測PPF的關鍵。Egashira等基于機器學習訓練了一種基于HRCT預測UIP病理類型的AI,發現該模型在預測不同ILD UIP病理類型方面的能力優于經驗豐富的放射科醫生。

DL模型在不同CT成像參數中穩定性的不確定是其尚未廣泛應用于臨床的原因之一。Yu等比較了三個基于胸部CT將ILD患者分為IPF和非IPF的DL模型的能力,發現模型在應用于不同的CT成像參數時其預測性能有區別,預測性能的相關因素包括平均有效mAs、患者體位和掃描層厚。在開發AI模型并將其應用于臨床時,應增強其泛化能力。Choi等基于自動化定量軟件根據肺癌術前胸部CT圖像將1199名患者分為正常組和ILA組,并評估了ILA范圍,發現基于增強掃描評估的ILA范圍要大于平掃,因此使用增強CT進行自動定量評估時,需要謹慎對待,以免對ILA過度診斷。

一氧化碳彌散量(DLCO)是IPF患者的重要功能指標,但有的患者難以配合這項檢查。Chung等利用XGBoost機器學習算法,基于QCT的肺部結構和功能特征預測IPF患者1年后的DLCO,發現左肺區域通氣指數(RRAVC)、高衰減面積百分比(HAA%)和氣管壁增厚與較低的DLCO相關。

Marrocchio等利用量化軟件(Aview,Coreline Soft,Seoul,Republic of Korea)對系統性硬化癥(SSc)患者胸部CT顯示的肺血管進行了定量分析,分析發現SSc患者的平均血管數、小于5 mm2的血管數和小于5 mm2的血管總體積與總血量(BV5/TBV)的比值均小于正常對照組,在SSc患者中,合并肺動脈高壓(PH)患者的肺血管總表面積低于未合并PH的患者。定量CT可以檢測SSc患者肺血管的變化,有助于對SSc病理生理機制的理解,并對其嚴重程度和預后進行評估。

特發性炎癥性肌病相關性ILD(IIM-ILD)的急性加重(AE)會危及患者的生命,根據診斷標準,AE可分為特發性(I-AE)和感染性(iT-AE)。Zhang等回顧性分析了69例AE-IIM-ILD(I-AE34例、iT-AE35例)患者,發現特發性AE-IIM-ILD的預后優于感染性,而中性粒細胞百分比(NEU)與HRCT顯示的GGO范圍結合有助于區分兩種患者(AUC為0.812),讓臨床醫生為患者提供更合適的治療方案。

HRCT不僅可以對ILD進行初步篩查,還可以用于評估疾病進展。Lee等回顧性收集了120例2013年3月-2021年2月至少進行了兩次HRCT的原發性干燥綜合征(pSS)患者的臨床和影像學數據,研究發現基線HRCT無ILD的pSS患者(n=81)在隨訪期間(中位數2.8年)無ILD發生,pSS-ILD患者(n=39)中,約半數(19/39,48.7%)患者出現進展,呈緩慢逐漸惡化,CT表現為UIP(OR=15.237)和隨訪間隔時間(OR=1.403)是pSS-ILD進展的獨立危險因素。

普通變異型免疫缺陷病(CVID)可能會并發肉芽腫性和淋巴細胞性ILD(GL-ILD),GL-ILD包括多種ILD異常,會導致CVID加重。Landini等回顧性收集了38位GL-ILD和38位非GL-ILD的CVID患者的胸部CT和PFT數據,發現GL-ILD最常見的影像學表現為支氣管擴張、支氣管壁增厚、黏液栓、樹芽征、馬賽克灌注等,CT網格樣改變與PFT惡化相關,這些特征有助于診斷GL-ILD。

Grafham等利用自動化CT分析工具對肺移植患者基線和6個月時肺紋理和肺血管容積(PVV)的變化進行了分析計算,并研究了這些變化與慢性肺移植功能障礙(CLAD)發病的關系。非閉塞性細支氣管炎綜合征(BOS)型CLAD的PVV從基線到發病時有所增加,GGO及網格樣改變也增加,而BOS型CLAD的PVV和肺紋理從基線到發病時無顯著差異。PVV的增加與非BOS型CLAD的發病相關。

Kim等對肺纖維化合并肺氣腫(CPFE)的影像學類型及其與預后的關聯進行了研究,發現10%的吸煙相關性間質纖維化(SRIF)/脫屑性間質性肺炎(DIP)患者在一年后表現為進行性纖維化(PF),明顯低于UIP患者(56%),進展速度最慢的類型是SRIF,其次是非特異性間質性肺炎(NSIP)和尋常性間質性肺炎(UIP)。盡管影像學類型與無肺移植存活率無關,但與纖維化進展相關,而纖維化進展是預測無肺移植存活率的重要因素。

肺淋巴回流病(PLRD)是一種罕見疾病,其特征是支氣管-縱隔淋巴干發育畸形和/或胸導管出口異常。Hao等分析了580例PLRD確診患者的HRCT和MSCT淋巴造影圖像,發現86例表現為蛙卵征,其特征為彌漫性不均勻分布的GGO和多個不連續的小結節疊加。蛙卵征有助于放射科醫生對PLRD引起的肺淋巴水腫和淋巴管擴張進行診斷,同時也有助于水腫程度的判斷及臨床分期。

彌漫性囊性肺疾病(DCLD)是以肺實質內彌漫分布含氣囊腔為特征的一組肺部疾病,由于DCLD相對罕見,且與肺氣腫等疾病表現相似,因此常被誤診。Noonan等提出了一種能識別和量化DCLD CT圖像中囊性區域的模板匹配方法,并與放射科醫生的手動標注結果進行比較,結果顯示Dice相似系數、精確度、特異度和F1評分分別為86%、79%、99%和88%,模板匹配方法為DCLD提供了一種可靠、高效的評估手段。

肺結節與肺癌篩查

Tsepang等回顧性收集了71位經病理證實的SPN患者的雙層光譜探測器CT靜脈期圖像,發現惡性組SPN的碘濃度(IC)值、肺動脈標準化IC(NICpa)、40 keV單色圖CT值以及光譜HU曲線斜率明顯高于良性組(P<0.05),雙層光譜探測器CT有助于區分良性和惡性SPN。Pu等收集了109位接受過多次LDCT肺癌篩查且基線CT掃描時發現肺結節的患者,發現基于基線LDCT得到的皮下脂肪(SAT)和內臟脂肪(VAT)體積與結節倍增時間(DT)顯著相關。身體成分特征可作為預測肺結節生長的生物標志物,有助于不確定結節的評估。Ma等將453例病理確診的肺實性結節患者按結節相鄰情況分為肺胸膜實性結節(PPSN)組和孤立性實性結節(ISN)組,使用DL模型Swin Transformer來預測結節良惡性,發現分組后ISN組預測的AUC高于分類前預測的AUC,而PPSN組AUC減低。使用DL模型時進行更詳細的分類可能有助于提高預測能力。Staudte等對組織胞漿菌病流行地區的235例檢查報告中包含“衛星結節”字樣的胸部CT/CTA患者進行了分析,發現約86%伴有衛星結節的肺結節為良性病變,其他因素中,邊緣毛刺征(OR=0.06,P<0.01)、轉移性疾病或新診斷癌癥史(OR=0.15,P<0.01)與惡性相關性最強,而支氣管血管束結節、邊緣光滑與年輕三種變量聯合預測良性的性能最強(AUC 0.84,P<0.01)。因此在組織胞漿菌病流行地區,根據衛星結節和支氣管血管束結節等預測肺結節的良惡性有助于指導隨訪計劃。

Alam等分析了一家醫院參加肺癌篩查(LCS)、Lung-RADS分級為4B/4X并因肺惡性結節手術治療的患者手術延遲(LCS與手術間隔時間超過60天)的相關因素,發現手術延遲與就診地點和區域中位收入相關。肺癌手術延遲可能惡化診療差距,尤其是對于來自低收入地區的患者。他們還收集了260例參加LCS并因肺結節進行手術治療的患者的結節病理結果,發現15%為良性病變,病理主要為感染/炎癥、瘢痕/纖維化和良性腫瘤等,盡管Lung-RADS指南應用于LCS中,但良性結節的手術治療無法避免。

進展型部分實性結節(PSN)可能會發展為肺癌。Bondarenko等利用商業算法識別PSN,并通過放射學報告NLP來確認PSN進展與否,發現在多變量分析中,位于右肺中葉(OR=0.27,0.12～0.99,P=0.02)、年齡(OR=1.10,0.98～1.02,P<0.001)和分葉征(OR=1.53,2.77～6.50,P<0.001)是預測PSN進展的重要因素。商業算法與放射學報告NLP的結合有助于對PSN的識別和生長監測。Weng等利用PSN的影像組學特征和患者臨床特征開發了一種用于預測PSN進展的ML模型,該模型在驗證集上的AUC為0.78,可以識別進展性結節。

肺癌是癌癥死亡的的首要原因,盡管有明確證據表明LCS有益,但肺癌篩查率仍較低。Zhao等利用CT和基于廣角碳納米管X射線的固定式數字胸部斷層合成系統對帶有肺結節的“LUNGMAN”模型進行了掃描,每個模型不同肺葉中隨機放置3個不同密度的結節(-800 HU、-600 HU、+130 HU),CT和斷層合成系統在檢測可活檢的結節方面特異度均為1,敏感度分別為0.958和0.850,斷層合成系統的敏感度隨肺結節密度的增加而增加,檢測130 HU可活檢結節的敏感度為1。該斷層合成系統可能可以提高肺癌篩查率,其診斷能力及臨床應用還需要更進一步的研究。Sandler等回顧性收集了兩家醫院32165位進行過乳腺X射線檢查的患者,根據電子健康記錄確定了符合LCS條件的1569位患者并通知其參加LCS,研究發現通過這樣針對性地通知提高了LCS的參與率。

Trujillo等基于一個大型學術多中心機構的影像數據庫評估了2021年美國預防服務工作組(USPSTF)LCS指南標準擴大對目標人群社會人口學特征和臨床特征的影響,發現新的指南下,目標人群平均年齡和每年吸煙數量降低,LungRads Score(LRS)1和2占比增高,而3和4減低,2021-USPSTF指南可能有助于更早發現與吸煙相關的肺癌。

Kiraly等開發了一個輔助肺癌篩查的AI助手,并用627例(141例癌癥陽性)病例對其進行了回顧行測試,研究發現在AI的幫助下,放射科醫生診斷的準確性和特異性均有所提高。Fabritius等利用AI系統對100位肺結節患者隨訪前后胸部CT圖像上的結節進行了匹配分析,發現AI的正確匹配率為97.8%,但在結節數量大于50個的圖像中正確匹配率明顯降低,肺實質、外周及血管旁結節的正確匹配率優于膈旁結節。AI有助于對肺結節患者隨訪的標準化評估,但也需要考慮結節數量和位置。

Yip等利用國家肺篩查試驗(NLST)和國際肺癌研究協會(IASLC)兩個數據庫對其之前發表的隨訪時間延遲對早期肺癌預后影響的量化結果進行了驗證,估算了不同體積倍增時間(VDT)的肺癌直徑隨隨訪時間延遲的變化,并評估了肺癌治愈率的下降情況,研究發現CT隨訪時間的間隔對患者的預后有顯著影響,尤其是生長較快及體積較大的肺癌,因此應量化延遲隨訪對肺癌患者的影響,從而制定更好的管理方案。目前,LDCT Lung-RADS評分≤2分(良性)的患者的隨訪時間間隔為1年。Chaudhari等利用NLST數據集開發了一個基于胸部CT和臨床特征預測患者2年內Lung-RADS評分進展情況的DL模型,與Lung-RADS進展至4分的顯著相關特征包括平均結節大小、最大結節大小、結節數量和肺氣腫,該模型有助于優化低風險患者的隨訪時間間隔。

Rau使用DL模型自動分割了NLS參與者基線和一年隨訪時胸部CT上的主動脈,并對大血管病變(最大直徑、體積和鈣化)進行量化,通過多變量COX比例風險回歸分析評估了病變與心血管疾病死亡率之間的關系。結果發現,主動脈體積和鈣化的預測價值顯著高于最大直徑,一年隨訪時鈣化增加與心血管疾病死亡相關性最高?；贏I的大血管病變量化技術可以識別出心血管死亡高危人群,從而提早預防和治療。Karout等比較了放射科醫生和AI算法在LCS-LDCT上診斷及測量胸主動脈擴張和動脈瘤的性能,研究發現放射科醫生診斷的AUC、敏感度和特異度分別為:升主動脈瘤0.86、72%和100%;主動脈擴張0.66、35%和97%;降主動脈瘤0.50、0%和99%,AI算法為:升主動脈瘤0.99、100%和99%;主動脈擴張0.86、82%和90%;降主動脈瘤0.93、94%和91%。AI算法可以優化在LCS-LDCT上對胸主動脈擴張和動脈瘤的診斷。

Pallasch等使用三維DL模型基于平掃胸部CT測量了參加肺癌篩查的26144位患者基線及一年后(n=52228)的SAT體積(SATvol)和密度(SATHU),發現SATHU與全因死亡率獨立相關,且一年內SATvol和SATHU下降(≥10%)的患者相比于穩定的患者預后明顯較差。自動化DL模型有助于肺癌篩查中高危人群的識別,可以優化患者管理。CXR-Lung-Risk是一種可以基于CXR預測肺相關死亡風險的DL模型。Walia等收集了24333名從不吸煙患者的常規門診CXR對該模型進行了外部驗證,將患者分為低、中、高風險組,主要結果為6年內肺癌發病率。研究發現,CXR-Lung-Risk分類為高風險組的患者肺癌患病率明顯增加。目前,美國醫療保險和醫療補助服務中心(CMS)的肺癌篩查標準并不建議對從不吸煙者進行篩查,而CXR-Lung-Risk對不吸煙者中高患肺癌風險人群的識別具有一定的臨床意義。

Su等使用相同管電壓和管電流(120 kV,45 mA)和不同螺距和旋轉時間(組0:0.984,0.28 s;組1:0.992,0.35 s;組2:0.992,0.28 s;組3:1.375,0.5 s;組4:1.531,0.5 s;組5:0.984,0.35 s)分別對包含9個模擬結節的Lungman模型進行了CT掃描,并用AI軟件(智能4D胸部成像系統5.5,YITU醫療)對圖像進行分析,發現不同螺距和旋轉時間對圖像質量、結節大小和CT值測量無影響,而對輻射劑量有影響,組0的劑量長度乘積(DLP)最低。在進行胸部LDCT篩查時,螺距和旋轉時間采用0.984和0.28 s可以減低輻射劑量。Hata等使用傳統CT(C-CT)和超高分辨率CT(UHRCT)收集了20例死亡人體的肺部圖像數據,C-CT采用512矩陣、0.5 mm層厚和Hybrid-IR進行重建,UHR-CT采用了三種重建方法:UHR-512(與C-CT相同)、UHR-DLR(1024矩陣、0.25 mm層厚和DLR)和UHR-2048(2048矩陣、0.25 mm層厚和Hybrid-IR),并將CT圖像評估的結節和氣道與HE染色獲得的組織學結果進行比較評分。研究發現,UHR-CT的評分均優于C-CT,錯誤率低于C-CT,在結節評估方面,UHR-2048重建方法優于UHR-DLR。UHR-CT相比于C-CT在評估結節和氣道方面的能力更優。

胸部惡性腫瘤

肺癌患者治療前評估和病理分級預測有助于患者治療方案的選擇。Deng等收集了107例N0期NSCLC患者的術前光譜CT參數用于構建一個評估患者有無淋巴管侵犯的診斷模型,并將其可視化為諾莫圖。研究發現基于臨床特征(性別、TIF-1、淋巴細胞計數)和光譜CT參數(雙相中的70 keV、90 keV和Eff-Z)的預測模型的AUC、敏感度和特異度分別為0.93、0.89和0.88。Lee等開發了一個用于評估患者預后的基于CT并可以學習肺腺癌形態學和組織病理學特征的DL模型,并對其進行了驗證。在時間測試集(n=640)驗證中,5年復發率(FFR)和總生存率(OS)的TD-AUC分別為0.79和0.73,在外部測試集(n=846)驗證中,5年OS的TD-AUC為0.71,該模型可以準確評估患者的預后。Nagano等對110例肺癌患者的術前雙能CT(DECT)測量參數進行了分析,這些患者根據組織病理學分化被分為低級別組(G1和G2)和高級別組(G3和G4),研究發現低級別組的平衡期IC、有效原子序數(Zeff)和細胞外體積(ECV)分數顯著高于高級別組,平衡期IC、Zeff和ECV分數區分兩種分組的AUC分別為0.688、0.672和0.750。DECT測量的平衡期IC、Zeff和ECV分數有助于預測肺癌的病理分級,其中ECV分數預測能力最佳。Chen等對342例接受帕博利珠單抗(PEMBRO)免疫治療的4期NSCLC患者的治療前CT圖像進行分析,并基于放射學特征對患者進行分型,研究發現基于放射學特征對NSCLC組織學亞型(腺癌、鱗癌、其他)和腫瘤分化亞型(良好、中等、較差)分型的準確率分別為81.5%和82.3%,并且放射學特征與NSCLC相關基因(如EGFR、ALK、ROS等)的基因突變表達有顯著相關性。

PD-L1表達狀態是肺癌免疫治療最重要的生物標志物,目前PD-L1評估的金標準是病理科醫生的人工評估,而人工評估會受到專業知識和經驗的影響。Huang等開發了一種基于CT圖像和HE染色切片預測肺癌的PD-L1表達狀態的多模態AI模型,研究發現該模型在訓練組、驗證組和測試組的預測能力均高于單模態模型,且該模型預測的PD-L1陽性患者的PFS明顯長于陰性患者。這種多模態AI模型可有效預測肺癌的PD-L1表達狀態,避免了人工評估的主觀偏差。

在接受免疫治療的癌癥患者中,身體質量指數(BMI)較高的超重/肥胖患者生存期更長。Decazes等利用DL軟件(Anthropometer3DNet)根據晚期NSCLC患者的治療前胸腹盆三維CT圖像測量了人體測量參數(瘦體重LBM、脂肪體重FBM、肌肉體重MBM、內臟脂肪體重VFM和皮下脂肪體重SFM),低SFM和MBM與接受免疫治療的NSCLC患者的不良預后相關。肺癌患者人體測量參數的測量對于患者免疫治療的預后評估有重要意義。

Ahn等回顧性納入了684名因影像學表現為亞實性結節(SSNs)且臨床分期為Ia期而接受肺葉/肺段切除術的肺腺癌患者,并評估了這些患者術前CT上切除SSN(主要結節)和同期存在的SSN的放射學特征,發現患者復發時間和總生存率與同期存在的SSN無關,主要取決于主要結節的特征(實性部分大小和組織學亞型),但同期存在的≥6 mm SSN的數量增加與無二次干預患者的生存率降低相關,說明目前對多發亞實性結節的患者采取的以主要結節為重點的管理策略是合理的。

Kim等發現在因疑似肺癌或肺轉移癌而接受CT引導下肺活檢,最終由病理科醫生確診為組織性肺炎的患者中,有高達10%的人可能會漏診肺惡性腫瘤,因此對于臨床高度懷疑惡性腫瘤的組織性肺炎患者應考慮再次進行活檢。

AI可作為肺轉移篩查的臨床輔助工具。Cho等利用檢測肺結節的AI系統對878例腹部CT診斷為無肺基底段轉移的惡性腫瘤患者的CT圖像進行了回顧性分析,這些患者均在腹部CT檢查3年后確診肺轉移,AI識別了25例最初被忽略的結節,對漏診結節有較高的敏感度,有助于減少放射科醫生的漏診。Park等評估了放射科醫生在有無基于AI的CAD(DL-CAD)系統下對直腸癌患者胸部CT肺轉移情況診斷能力和時間的差異,發現使用DL-CAD系統后醫生診斷肺結節的敏感度顯著提高,診斷時間顯著縮短,而假陽性率無明顯變化。

Penalva等分析比較了可切除和不可切除性胸膜間皮瘤(MPM)的臨床和影像學特征,發現兩組患者在石棉接觸、新輔助治療、臨床T分期、所有胸膜厚度(PT)測量、PT類型及程度等方面差異具有統計學意義,多因素分析中,新輔助化療、胸膜增厚程度、上PT最大值、胸膜外脂肪消失及縱隔浸潤的組合預測模型診斷性能最佳(AUC=0.876)。對MPM不可切除性進行預測可避免不必要的手術。

血管疾病

患者由于懷疑肺栓塞(PE)以外的原因而行常規增強CT檢查時,醫生可能會漏診偶發PE(iPE),AI可以輔助檢測iPE,并具有良好的敏感度和特異度。Graeve等利用經FDA批準的AI算法(Aidoc Medical)對1965例因懷疑PE以外原因而進行的增強胸部CT進行了iPE診斷分析。研究發現近50%的iPE被放射科醫生漏診,而AI算法的敏感度和特異度分別為95%和99%,近76%的漏診iPE位于右肺下葉,57%的漏診iPE的診斷時間為下午1點至5點。Fahimi等對一種基于增強CT檢測iPE的AI算法進行了多中心外部驗證,該算法診斷iPE的AUC為0.86(95%CI:0.94～0.78),準確率為0.88,且對于不同醫院、性別、年齡和不同公司的CT掃描機器均適用。Nawras等進行了一項Meta分析,用于評估AI算法在檢測iPE中的應用。共有四項研究(19,440次CT)納入分析,合并敏感度和特異度分別為0.839和0.999。Nabipoorashrafi等評估了計算機輔助的AI分診和優先處理系統對進行胸部和/或腹部CT檢查的iPE患者等待時間的影響,等待時間定義為患者完成檢查到放射科醫生打開圖像開始診斷的時間。AI通知優先處理的疑似陽性病例的中位等待時間為86分鐘,而未通知的陰性病例等待時間為242分鐘,中位等待時間縮短了64.4%。使用AI分診和優先處理系統可以節省iPE患者的診斷延誤時間,有助于對患者的盡早診斷及治療。

將AI應用于臨床實踐中有助于為臨床提供更快且更準確的診斷,但需要不斷評估。Quenet等對一個基于AI的急性PE檢測軟件CINA-PE v1.0.3 (Avicenna.AI,La Ciotat,France)遠程用于不同醫院急診科的檢測性能進行了評估,發現該軟件的敏感度和特異度分別為85.3%和95.8%,陽性預測值(PPV)和陰性預測值(NPV)分別為72.5%和98.1%,顯示出較高的檢測性能。Langius等利用兩家醫院疑似PE患者的CT肺動脈造影(CTPA)掃描數據對RSNA 2020 PE診斷挑戰賽中獲勝的DL模型進行了外部驗證,A醫院(n=238)外部驗證AUC為0.96(95% CI:0.93～0.99),B醫院(n=114)利用光譜探測器CT(SDCT)掃描獲得的常規數據和虛擬單色圖像(VMI)數據的AUC分別為0.89(95% CI:0.82～0.96)和0.86(95% CI:0.78～0.95)。研究說明該DL模型在常規CTPA中具有較高的診斷價值,同時在新技術方面對模型進行額外訓練可提高其通用性。

Altmayer等進行了一項Meta分析,用于比較磁共振血管造影(MRA)和通氣/灌注(V/Q)顯像在診斷急性PE方面的能力。結果顯示MRA診斷急性PE的敏感度和特異度分別為0.87和0.91,V/Q顯像分別為0.81和0.84,MRA與V/Q顯像的診斷能力相當甚至更優,且MRA不需要使用對比劑也沒有輻射。Munz等利用ASL-MRI對15例PE患者治療前后的肺灌注缺損比例進行了分類并分析了肺灌注變化,研究發現治療后所有患者的肺灌注均有改善,其中7名患者的灌注缺損完全恢復。動脈自旋標記MRI(ASL-MRI)有助于無創性監測PE患者的治療效果,不過還需要進一步的研究來評估其臨床價值。

Ye等對100名疑似PE的患者進行了CTPA檢查,肥胖患者(BMI≥25,組1)的重建技術采用傳統Hybrid-IR算法(AIDR 3D)、基于模型的迭代重建算法(FIRST)和對比增強技術(CE-Boost),非肥胖患者(BMI<25,第2組)采用AIDR 3D。研究發現,FIRST可以降低圖像噪聲,FIRST和CE-Boost可以提高圖像的SNR和對比噪聲比(CNR),提高了放射科醫生對圖像質量和診斷可信度的評分。FIRST和CE-Boost能提供更高質量的CTPA圖像,有助于肥胖患者的PE診斷和輻射劑量減少。

PE患者的預后評估及治療后評價也十分重要。Lee等利用CT紋理分析(CTTA)評估了88名肺動脈內膜切除術(PTE)的患者治療前后的變化,其中51名患者在治療后完全恢復。完全恢復組和病灶殘留組空間縮放因子(SSF)3-6的熵、SSF 0的平均值和正像素平均值(MPP)及SSF 4-6的標準差(SD)具有顯著差異,SSF 0圖像的灰度共生矩陣(GLCM)紋理特征參數也有顯著差異。Meyer等基于CTPA計算了981名患者急性PE患者胸大肌的骨骼肌面積(SMA)、骨骼肌指數(SMI)、肌肉密度和厚度,分析發現與30天內死亡的患者相比,存活患者的各項測量值都較高,血流動力學穩定的患者相較于不穩定的患者各項測量值也更高。SMA、SMI、肌肉密度和厚度與急性PE患者30天死亡率的OR值分別為0.94、0.78、0.96和0.96(P<0.001)。

Ebrahimian等回顧性分析了440位妊娠女性和474位非妊娠女性的CTPA圖像,發現妊娠患者CTPA的PE陽性率(3.4%)顯著低于非妊娠患者(9.7%)(P=0.004),而CTPA未能明確診斷的患者還需要進行額外檢查,說明妊娠人群中可能存在CTPA過度使用的情況,這會導致母親和胎兒受到不必要的輻射。Wismueller利用AI圖像分析軟件(Aidoc Medical,Tel Aviv,Israel)評估了全球碘對比劑短缺對CTPA檢查中PE陽性率的影響。研究發現,在對比劑短缺期間,CTPA檢查數量下降,而檢查中的PE陽性率顯著增加,而作為對照的平掃頭部CT檢查數量和顱內出血(ICH)陽性率無顯著差異?？山忉尀樵趯Ρ葎﹪乐囟倘逼陂g,臨床醫生對于CTPA檢查的適應癥要求更加嚴格,因此只有更可能患PE的患者才能接受檢查。

在PTE術前對慢性血栓栓塞性肺動脈高壓(CTEPH)患者進行評估和分級有助于患者治療方案的制定。Hahn等讓6名放射科醫生根據一種CTEPH最近端病變定位外科分類(1級=肺動脈干病變;2級=1級遠端至肺段病變;3級=肺段病變;4級=亞段病變;0級=無病變)對163例CTEPH患者PTE前的CTPA進行了分類,并與外科醫生手術時的分類進行比較。研究發現,放射科醫生與外科醫生分類的一致性為中到高度,術前CTPA和PTE之間的間隔時間越越短,一致性越高,在評估3～4級的病變時,層厚≥1 mm的CTPA得到的一致性小于層厚<1 mm的CTPA。Higuchi等分析比較了接受球囊肺血管成形術(BPA)治療的CTEPH患者術前的UHRCT(n=12)和傳統CT(cCT)(n=12)的血管造影圖像,發現UHRCT對病變的檢出率明顯高于cCT(肺段動脈:98% vs. 80%,P=0.011;亞段動脈:93% vs. 48%,P<0.001),在環狀狹窄、網狀、次完全和完全閉塞4種類型的病變中,CTPA最難檢測到網狀病變。相較于cCT,UHRCT有助于更準確地檢測作為BPA靶點的外周肺動脈病變。Bambrick等對144名(女性78名)經手術確診的CTEPH患者的術前CTPA圖像在性別差異方面進行了回顧性分析,發現與男性相比,女性的平均受累血管數量更少,無病變的肺段數量更多。兩者病變在肺段和亞段水平的分布也有顯著差異,女性亞段水平病變分布更多,因此慢性肺栓塞造成的負擔也更低,這有助于解釋為何女性CTEPH患者的手術率低于男性。

高空間分辨率光子計數探測器CT(PCD-CT)有助于解釋CTEPH小血管病變的病理生理學。Jardin等對29例PCD-CT血管造影檢查表現為馬賽克灌注的CTEPH患者的肺循環遠端(肺實質外三分之一)分支形態進行了評估,發現馬賽克灌注的高衰減區和低衰減區在遠端肺動脈擴張、不確定微小結節、小葉GGO和肺靜脈直徑方面存在顯著差異。

DECT有助于評估CTEPH和PE患者肺灌注的差異。Gertz等評估了急性PE和CTEPH患者進行雙層DECT(dlDECT)檢查得到的肺灌注圖的差異,發現PE患者肺灌注正常區域的平均和峰值碘攝取量均高于CTEPH患者,而肺灌注缺損區的平均灌注量減低。Hansen等對162名確診為急性PE(n=81)或CTEPH(n=81)的成年患者進行了雙源雙能CTPA(DE-CTPA),并使用基于機器學習的Examine DE Lung Isolation軟件獲得了肺灌注數據,發現PE患者的全肺、單側肺、肺葉血容量均低于CTEPH患者,這可能是急性失代償和慢性代償導致的差異。

肺部疾病CT量化的金標準是放射科醫生的目測評估,但由于特征相似,區分特發性肺動脈高壓(IPAH)和與肺部疾病相關的PH(PH-LD)較困難,區分兩者及亞型判斷對治療方案的制定至關重要。Dwivedi等研究了將AI模型與放射科醫生的影像報告相結合量化PH患者肺部病變對患者預后的價值,發現AI模型量化的纖維化程度是預測患者預后的獨立因素,而且模型可以檢測到放射科醫生忽略的輕微(1%)纖維化。將AI模型與基于影像學評分的疾病和人口統計學預測模型結合,可顯著提高其預測強度(c-index 0.763 vs. 0.742,P=0.038),這種方法將有助于確定PH表型。

Yokota等開發了可評估肺血流量的肺動態灌注CT成像(LCTP)技術,并讓23名懷疑肺動脈高壓的患者接受了LCTP和灌注成像檢查,根據LCTP重建CTPA并定量計算每個肺葉的灌注比。與常規CTPA相比,CTPA與LCTP結合診斷的敏感度、準確度和AUC均增加,其平均輻射劑量和對比劑用量分別為(5.1±1.3) mSv和(78±15) mL。LCTP可提供更準確的診斷,且輻射劑量和對比劑用量也在可接受范圍內。

Nagatani等對30位志愿者(11位PH患者、9位無PH的結締組織病相關性間質性肺炎(CTD-IP)患者和10位對照組志愿者)進行了胸部超高分辨率(SHR)平掃CT檢查,使用SHR模式的基于DL的重建算法獲得圖像數據。結果顯示,在SHR模式下,PH患者小于0.5 mm2的平均血管直徑(AVD)相比于CTD-IP患者和對照組較小(P<0.01),1～2 mm2的AVD與PH患者的平均肺動脈壓(PAP)呈負相關(r=-0.67,P=0.048)。SHR平掃胸部CT有助于評估PH患者外周動脈的重塑情況。

撕裂內膜沿降主動脈(DTA)的螺旋軌跡(ST)是主動脈夾層(AD)CTA圖像上的特征,但目前并沒有對ST的深入研究。Schell等根據冠狀面CTA圖像上撕裂內膜沿主動脈峽部到腹部遠端段的位置變化進行了半定量評分:ST0(旋轉<45°),ST1(45°～90°),ST2(90°～180°),ST3(180°～270°),ST4(270°～360°)和ST5(>360°),研究發現ST>1與長期主動脈不良事件(AAE)(定義為DTA動脈瘤、擇期或急診主動脈手術、AD相關臨床并發癥或死亡)風險增加相關聯,可作為AD的早期風險評估標志。假腔動脈瘤變性(FL)是B型AD(TBAD)的常見并發癥,亞急性FL生長可預測TBAD患者晚期不良事件(LAE),預防性血管內修復術(TEVAR)可預防假腔動脈瘤,但臨床很難早期識別FL高?；颊?。血管變形匹配(VDM)是一種可以基于常規CT圖像計算主動脈三維變化的新技術,Marway等利用VDM技術對33位TBAD患者術前和出院后1～3個月的CTA圖像進行了分析研究,發現VDM可以識別亞急性FL增長,而這種變化常被臨床忽略。TBAD術后1～3個月主動脈的微小增長(>2 mm)可識別出LAE高風險患者,利用VDM技術有助于提高高風險患者的預后。

肺灌注評估是患者肺移植或肺切除術前評估中重要的一項。動態DR攝影技術(DDR)是一種可以通過檢測整個心動周期的像素信號變化評估區域肺灌注情況的新技術。Mareddy等回顧性收集了53例患者DDR和放射性核素肺顯像的肺灌注情況并進行對比分析,發現兩種檢查得到的灌注情況有很強的相關性(r=0.923,P<0.001),而DDR的檢查速度和費用均優于放射性核素肺顯像,可以減少患者的等待時間和醫療費用。

Mohsen等回顧性檢索了增強胸部/腹部CT報告中包含“對比劑分層”、“對比劑聚集”或“依賴性對比劑分層”的病例,分析對比劑分層征象與心臟驟停及死亡之間的相關性,發現靜脈系統中的對比劑分層現象與較高的心臟驟停發生率和死亡率相關,識別這一征象有助于及時發現心臟驟停高風險患者。

Heimer等在兔子模型上分別使用新型靜脈注射用氧化鉭(TaCZ)納米顆粒與常規碘化(碘普羅胺)CT對比劑進行檢查,發現TaCZ在各掃描時間的血管增強效果均顯著優于碘普羅胺,可以優化胸部動靜脈造影的成像質量。

肺部感染性疾病

Wen等訓練了一種對革蘭氏陽性和革蘭氏陰性細菌性肺炎進行分類的融合模型,該模型結合了患者的影像特征及臨床特征,經驗證發現該融合模型在細菌性肺炎分類中表現良好,可以幫助臨床醫生準確識別患者的肺炎類型,避免不必要的抗生素使用,提供及時的臨床決策支持,改善患者預后。

Ibad等開發并驗證了一種基于胸部CT測量胸大肌成分的全自動DL算法,并利用COX回歸模型評估了肺炎住院風險與胸大肌成分測量之間的關系。DL算法可以有效地測量胸大肌成分,但胸大肌成分測量只能預測COPD患者的肺炎住院風險,無法預測總體人群的風險情況。

6個月時的痰培養情況(陽性或轉陰)對于評估耐多藥結核病(MDR-TB)長程治療方案的治療反應非常重要。Li等基于空洞的影像組學特征構建了影像組學模型,基于獨立分析且有顯著差異的基本臨床特征和主要CT征象構建了臨床模型,并基于這兩種模型生成了綜合模型。影像組學模型在訓練隊列和測試隊列中的AUC分別為0.892和0.839,與綜合模型相當(0.913和0.815),優于臨床模型(0.688和0.525)。影像組學和組合模型可以預測MDR-TB長程治療方案6個月時的痰培養情況,從而對后續治療提供指導。

Sanjase等評估了CXR AI系統(包括肺結核AI和CXR異常AI)在艾滋病高發人群中檢測活動性肺結核(TB)和肺部異常的能力。研究發現,肺結核AI的AUC 為88%,應用高敏感度和平衡操作點(OP)進行評分,敏感度和特異度分別為87%和70%、78%和82%。CXR異常的AUC為97%,在高敏感度OP中的敏感度和特異度分別為97%和79%。CXR AI系統可作為有效的TB和肺部異常的篩查工具。

胸部MRI

Altmayer等分別使用CXR、HRCT、MRI和肺功能檢查對77位確診為肺結節病的患者進行了檢查,CXR采用Siltzbach分級系統、HRCT和MRI采用硬皮病肺研究I系統進行評分,并以1年后FVC下降≥5%為疾病進展的標準。研究發現MRI評分與CT和CXR相關,CT和MRI評分與FVC和DLCO相關,CT(OR=1.236,P=0.044)和MRI(OR=1.594,P=0.021)可預測疾病進展。MRI可以作為評估肺結節病進展的檢查方法,但仍需要進一步的研究。

Zhu等納入了16個中心參加了兩輪同天內MRI和LDCT檢查或首次檢查后有組織病理學檢查結果的重度吸煙者,用于評估形態功能MRI對重度吸煙者偶發肺部結節的診斷和長期預后預測能力。研究發現,MRI對惡性結節診斷的準確率與LDCT相似,兩者對偶發結節的遠期預后預測一致性也很高,MRI結合社會人口學和臨床特征生成的偶發肺結節進展預測模型準確性更高,與LDCT模型無差異?；贛RI的偶發結節風險預測模型可減少患者輻射,有助于對肺結節的診斷和預后預測。

超短回波時間(UTE)MRI具有作為薄層CT檢測和識別肺結節替代方法的臨床潛能,但由于大量的3D徑向采樣和網格重建導致掃描時間較長。Ohno等分別使用共軛梯度(CG)重建和網格重建對UTE MRI數據進行重建,發現CG重建有助于縮短掃描時間,且不會影響圖像質量和結節檢測。

MRI有望成為ILD患者CT隨訪的無輻射替代方案。Bayerl等對25名患有風濕性疾病或IPF的患者進行了HRCT和0.55T MRI檢查,發現肺部低場磁共振成像在評估肺纖維化的總體程度方面與HRCT無顯著差異,肺部低場磁共振成像能可靠地顯示ILD的總體范圍。Vyas等對31名結締組織病相關ILD(CTD-ILD)患者的胸部HRCT和MRI圖像進行評分和比較,發現兩種檢查方法在形態學和整體評估方面顯示出中等一致性。MRI在評估胸膜下線、蜂窩樣改變、胸膜下囊腫和GGO范圍時與HRCT一致,顯示病灶的最佳MRI序列是短時間反轉恢復序列(STIR)、4分鐘后對比增強序列和雙激發式穩態自由進動(BTFE)序列。

Alatoum等收集了15位新型冠狀病毒肺炎(COVID-19)患者,所有患者進行了HP-Xe的區域通氣和氣體交換(RBC:膜)及灌注MR成像,還接受了作為定量驗證的DECT V/Q成像。HP-Xe MRI獲得的RBC:膜與DLCO相關,且與DECT得到的氣體交換參數顯著相關。HP-Xe MRI可作為DECT的無輻射替代方案,對癥狀持續存在的COVID-19患者進行定期隨訪。

MRI可在無對比劑無輻射且自由呼吸情況下對肺部疾病進行功能性評估。Zhu等基于相位分辨功能性肺MRI(PREFUL)對健康志愿者和不同GOLD分級的COPD患者的肺通氣和灌注情況進行了評估,發現COPD患者的平均通氣和灌注百分比明顯低于健康志愿者,患者的GOLD分級與通氣缺陷百分比(VDP)相關(P<0.05),重度患者(GOLD 3～4級)的灌注和通氣缺陷匹配百分比(VQM)高于輕度(GOLD 1～2)患者。Capaldi等利用低場強(0.55T)傅立葉分解磁共振成像(FDMRI)對17位不同肺部疾病患者和4位健康志愿者肺通氣和灌注情況進行了評估,發現與健康志愿者相比,肺部疾病患者存在明顯的通氣灌注異常(即V/Q不匹配),VDP和灌注缺損百分比(QDP)明顯升高。

Chen等利用UTE MRI對101例0～2歲嬰兒進行了肺部MRI檢查,嬰兒根據胎齡(GA)分為極早產兒組(GA<28周,n=33),中晚期早產兒組(GA>28周并<37周,n=34)以及足月兒組(GA≥37周,n=34),用標準化肺信號強度肺-肌比值(LMR)量化肺組織密度,結果顯示極早產兒組、中晚期早產兒組及足月兒組全肺LMR平均值分別為45.1、48.7和50.8,極早產兒組與足月兒組差異具有統計學意義。極早產兒肺部可能存在持續的結構異常,患早發性COPD的風險更高。

Enoki等利用4D-Flow、3D-cine技術和毯狀線圈對10名健康志愿者進行了CMR檢查,旨在研究應用無創性檢查方法評估體位改變對心功能和肺血流影響的可行性。研究發現,心功能隨體位改變無明顯變化,而志愿者在左側臥位或右側臥位時,同側的肺動脈血流量有所增加。應用無創性檢查方法測量體位改變引起的的血流動力學變化,有助于評估心衰等其他疾病患者的病情。

Wing等利用UTE MRI和19F MRI評估了5位健康志愿者的仰臥位肺葉通氣動力學,應用19F氣體吸入和呼出速率[τ1(s),τ2(s)]衡量氣體交換效率,發現平均而言雙肺下葉氣體吸入和呼出速率最快,這與人體站立的生理原則相符合。對于缺乏超極化氣體(3He、129Xe)的機構,19F可以作為替代。

能量CT

肺栓塞的常見癥狀是呼吸困難,因此患者在進行CTPA檢查時難以配合屏氣,超高螺距PCD-CT可以避免屏氣。Pannenbecker等評估了診斷急性PE時,使用PCD-CT和傳統能量積分探測器(EID)CT在自由呼吸技術下進行超高螺距CTPA的圖像質量(IQ)和輻射劑量。研究發現,PCD-CT相比于EID-CT能在輻射劑量更低的情況下獲得更好的圖像質量,還能通過重建彩色編碼碘分布圖提供更多的功能信息。他們還分別讓兩組疑似PE患者在PCD-CT掃描儀(Siemens Naeotom Alpha)和EID-CT掃描儀(Siemens Somatom Force)上接受了CTPA檢查,發現PCD組肺動脈的CNR和SNR更高,放射科醫生主觀評分更高,且輻射劑量更低。PCD-CT可以在更低輻射劑量的情況下獲得高質量的影像,有助于對急性肺栓塞的診斷。Jardin等分別對兩組懷疑急性肺栓塞的患者進行了PCD-CT(組1,n=158)和EID-CT(組2,n=172)血管造影檢查,組1患者中,可屏氣6 s的采用雙能量掃描方案(組1a,n=105),氣促的采用高螺距單能量方案(組1b,n=53),組2患者均使用多能量方案。研究發現,與組1a相比,組2的平均掃描時間更短,平均CTDIvol和中位DLP更低,且灌注圖像的定性評分更高。

Cao等前瞻性納入了102例疑似PE患者并對其進行了雙層光譜CT(DLCT)CTPA檢查,光譜數據重建為常規圖像(CI)、碘密度圖(ID)、Zeff圖和ID-Zeff融合圖(ID-Zeff)。102例患者中共63例確診為PE,CI、ID、Zeff和ID-Zeff分別檢出53、55、60和60例,ID-Zeff相比于CI檢出率顯著提高,且ID-Zeff能更準確地評估血栓負荷。

PCD-CT可在減少輻射劑量的同時提高成像質量。Yalon等回顧性收集了150例CTPA檢查,其中使用高螺距多能掃描模式(ME FLASH)的PCD-CT、單能高螺距(SE FLASH)和常規螺距雙能(DE)的雙源EID-CT各50例,發現相比于EID-DE和EID SE FLASH,PCD-CT ME FLASH在較低輻射劑量和對比劑劑量的情況下,顯示出了更高的肺動脈增強對比度、更少的運動偽影和更高的圖像質量。Khalighinejad等比較了PCD-CT和EID-CT進行胸部CT成像的表現,發現與EID-CT相比,PCD-CT的CTDIvol和DLP平均值明顯減低,主動脈、肺動脈和甲狀腺的CNR明顯升高。Jardin等比較了年齡和體重匹配的兩組患者分別在PCD-CT(組1)和EID-CT(組2)上進行胸部CTA檢查的圖像質量,發現與EID-CT相比,PCD-CT輻射劑量和掃描時間顯著降低,且兩者的圖像質量無顯著差異。他們還比較了腫瘤患者通過PCD-CT(組1)和雙源DECT(DS-DECT)(組2)獲得的靜脈期胸部CT圖像,兩組圖像在上腔靜脈和上胸部靜脈的顯影質量、肺動脈的可分析水平方面無差異,與組2相比,組1的線束硬化偽影和心臟運動偽影更少、CNR平均值更高、DLP中位數更低,且組1圖像能更好地診斷血管內或血管周圍異常(如急性PE和靜脈血栓)。

Nomura等首次對基于CZT的PCD-CT(CZT-PCD-CT)進行了臨床研究,正常分辨率(NR)圖像使用512矩陣大小和Hybrid-IR進行重建,超高分辨率(SHR)圖像使用1024矩陣大小、Hybrid-IR和DLR兩種方法重建。結果發現使用DLR的SHR圖像在三種圖像中噪聲水平最低,SHR圖像中的GGO和支氣管更清晰,胸壁下沖偽影明顯減少。CZT-PCD-CT SHR圖像顯著提高圖像質量,有助于醫生更好地診斷。Huflage等比較了超低劑量PCD-CT分別應用UHR模式(120×0.2 mm)與標準宏模式(144×0.4 mm)獲所得的圖像質量,發現UHR在CTDIvol匹配情況下比標準宏模式的圖像噪聲更低,且醫生一致傾向于UHR。UHR的小像素效應可以降低輻射劑量同時獲得更高質量的圖像。Pourmorteza等利用不同直徑和壁厚的3D打印氣道模型評估了新技術深硅PCD-CT在肺部小氣道成像方面的優勢,研究發現UHR PCD-CT可在70 keV VMI重建下實現對氣道管徑和壁厚的亞像素(<150 μm)精確測量,有助于優化氣道變化的特征描述,對于監測囊性纖維化等疾病的治療情況具有臨床應用前景。

Yel等納入了30位術前進行了DECT檢查的乳腺癌患者,以淋巴結(LN)切除術后的病理學報告作為參考標準,區分轉移性和非轉移性LN的DECT測量參數,發現兩者的脂肪比例存在顯著差異,診斷轉移性LN的最佳脂肪比例閾值為17.8%,其敏感度為89%,特異度為93%。