act医学是什么仪器基于深度迁移学习的胸部CT图像分割辅助哮喘

在我们的呼吸道深处，两种常见的慢性气道疾病——哮喘和慢性阻塞性肺疾病（COPD）——虽然有着各自的“面孔”，但在临床诊断的“舞台”上，它们时常“面目模糊”，甚至“同台演出”，形成一种被称为哮喘-慢阻肺重叠（ACO）的复杂状态。哮喘通常起病较早，症状间歇发作，对吸入性糖皮质激素反应良好；而COPD则多在晚年显现，症状持续、进行性加重，对治疗的反应有限，常与长期烟草暴露相关。尽管它们是两种不同的疾病，却共享着一些风险因素和临床表现，这给临床医生的鉴别诊断带来了不小的挑战。更重要的是，ACO作为一个独立的临床概念，目前仍缺乏全球公认的诊断“金标准”，这使得针对ACO患者的精准识别和有效管理变得尤为棘手。在常规临床实践中，ACO的诊断主要依赖于临床症状、肺功能测试、支气管扩张剂反应性和炎症生物标志物。然而，医学影像，特别是胸部计算机断层扫描（CT），能够提供关于气道重塑和肺实质改变的结构信息，这些信息在不同表型（哮喘、COPD、ACO）之间可能存在差异。于是，一个关键的科学问题浮现出来：能否利用人工智能的力量，从海量的CT图像中挖掘出能够区分这些复杂表型的解剖学特征，从而为临床决策提供一种全新的、影像学辅助的分析工具？

为此，一组研究人员开展了一项题为“Accurate Asthma-COPD Overlap Classification via Deep Transfer Learning in Medical Image Segmentation”的研究，并将成果发表在《International Journal of Chronic Obstructive Pulmonary Disease》上。他们提出了一种创新的框架，将深度迁移学习应用于胸部CT图像的精确分割，旨在提取互补的解剖学特征，以支持阻塞性气道疾病的表型分类，特别是对ACO的识别。这项研究本质上是一次概念验证，探索了人工智能在复杂气道疾病精准分型中的潜力。

为了回答上述问题，研究人员主要运用了以下几个关键技术方法：首先，研究构建了一个以U-Net类编码器-解码器为基础架构的医学图像分割网络，并利用在ImageNet上预训练的ResNet-50作为编码器进行权重初始化，这是深度迁移学习的核心策略。其次，他们收集了来自一家三甲医院呼吸内科的200名患者（包括哮喘、COPD、ACO患者及健康对照）的胸部CT图像作为研究队列，并进行了包括Hounsfield单位（HU）窗调整、重采样、归一化等在内的标准化预处理。再次，研究采用了由两名经验丰富的放射科医生独立手动勾画、并经协商一致生成的参考分割掩模作为“金标准”，用于模型训练和性能评估。最后，模型的性能通过分类准确率和Dice相似系数（DSC）这两个核心指标进行量化评估，并与NUS-PSL、PRE-1000C、REA-C1000及传统CNN等基准模型进行比较。

通过收集200名患者的医学图像，利用深度迁移学习算法以及NUS-PSL、CNN、PRE-1000C和REA-C1000这四种算法对收集到的200张医学图像进行识别分类，准确率如表1所示。所提出的深度迁移学习方法在所有疾病类别中均获得了一致的最高准确率，特别是其ACO分类准确率达到93.21%，高于NUS-PSL（85.43%）、PRE-1000C（86.92%）、REA-C1000（89.32%）和CNN（91.45%）。这表明所提出的方法对复杂的重叠气道疾病表型具有更强的区分能力。图4比较了不同算法对不同状态患者医学图像进行分割所需的时间，结果显示深度迁移学习方法在不同类别（正常、COPD、哮喘、ACO）的分割速度上均优于NUS-PSL和CNN算法，尤其是在识别难度更大的ACO图像时仍保持速度优势。

Dice系数用于定量评估分割性能。如图5所示，随着训练周期增加，所有器官（肺、咽、喉、支气管）的Dice系数均呈上升趋势，其中肺部的Dice系数始终维持在较高水平，表明所用方法对肺部图像分割效果良好，但支气管和喉咙的分割效果有待加强。图10进一步展示了所提方法与基线模型在肺和气道分割上的Dice收敛曲线比较，所提方法在大多数解剖结构上持续获得了更高的Dice系数。具体而言，肺实质分割的Dice值高于气道相关结构，这反映了气道边界勾画的复杂性更高。表6详细列出了测试集上不同解剖结构的Dice相似系数定量结果。

表2总结了COPD组和ACO组患者的一般特征。与COPD组相比，ACO组患者的体重指数（BMI）显著更高，平均年龄略低，吸烟年限和每日吸烟支数均显著更低。两组在性别分布和住院时间方面未见显著差异。

表3展示了COPD组和ACO组之间炎症指标的对比。ACO组患者的血嗜酸性粒细胞水平显著高于COPD组，血清IgE水平也有更高趋势。相比之下，白细胞计数、中性粒细胞计数、血沉、C反应蛋白和降钙素原水平在ACO组中均低于COPD组，且这些差异多数具有统计学意义。

如图6所示，与对照组相比，哮喘组、COPD组和ACO组患者的FEV₁、FVC、FEV₁/FVC等指标均下降，表明这些患者均存在气流受限。与单纯哮喘患者相比，ACO组患者的气道阻塞更为严重。在反映小气道阻塞程度的MEF₅₀和MEF₂₅指标上，ACO组患者同样低于对照组，且比单纯哮喘患者更严重。图7比较了各组的气道阻力，与对照组相比，COPD组和哮喘患者的总呼吸阻抗（Zrs）及不同频率下的呼吸阻力（R5-R25）均有所增加。

表5显示了治疗前后ACT（哮喘控制测试）和CAT（COPD评估测试）评分的变化。三组患者治疗后均有改善。哮喘组的ACT评分改善相对明显，COPD组的CAT评分有所下降，而ACO组的改善程度不如哮喘组显著，这可能与ACO同时存在部分可逆和持续的气流受限有关。

如图8和图9所示，所提出的深度迁移学习方法在正常、COPD、哮喘和ACO所有疾病类别中的分类准确率均一致性地超越了对比模型。针对ACO分类准确率的配对统计检验表明，所提方法相较于NUS-PSL和PRE-1000C模型有统计学意义的显著提升。

如图11所示，代表性的分割结果可视化对比显示，与其他模型相比，所提出的方法在支气管和肺泡区域（特别是在具有重叠病理特征的病例中）产生了更连续、更准确的边界，这从视觉上进一步支持了定量的Dice系数结果。

本研究探索了一种基于深度迁移学习的CT图像分割框架，以支持ACO相关分类，是一项概念验证性工作。所提出的方法在单中心内部评估中展现出了对ACO的高分类准确率（93.21%）和良好的分割性能（以Dice系数衡量），尤其在处理复杂的重叠表型时优于多个现有基准模型。这提示，从CT图像中提取的解剖学特征或可为阻塞性气道疾病的表型表征和风险分层提供有价值的补充信息。

需要强调的是，这个模型并非旨在替代依赖于临床病史、肺功能测定、支气管扩张剂反应性和炎症生物标志物的传统ACO临床诊断。相反，它提供了一种源自CT成像的补充性结构信息，这些信息可能反映了与不同阻塞性气道表型相关的气道重塑和肺实质改变。当结合临床症状、肺功能参数和炎症生物标志物进行解读时，此类基于图像的特征有望支持对复杂气道疾病进行更精准的表型分析和患者管理。

该研究具有重要的方法论意义，它将深度迁移学习这一强大工具与医学图像分割相结合，针对ACO这一临床诊断难点进行攻关，为未来开发影像学辅助诊断工具提供了新的思路和技术路径。然而，研究也存在明确的局限性：首先是单中心设计和小样本量（200名患者），限制了结果的代表性和临床异质性；其次，缺乏外部验证队列，所有性能评估均为内部评价，因此关于模型稳定性和泛化能力的结论需保持谨慎；最后，未进行稳健性分析（如重复重采样/交叉验证和不同采集设置下的敏感性分析）。未来的工作方向包括开展多中心数据收集、独立外部测试，并遵循已建立的医学影像人工智能报告规范。尽管如此，这项研究为利用人工智能赋能呼吸系统疾病精准医疗，特别是在区分哮喘、COPD及其重叠综合征这一富有挑战性的领域，迈出了具有启示意义的一步。