基于CT 圖像的深度神經網絡肺功能預測

摘 要： 我國流行病學調查結果顯示，以慢阻肺和哮喘為代表的慢性呼吸系統疾病患病率高且呈現上升的趨勢，給公共衛生健康帶來了嚴重威脅. 目前，計算機斷層掃描（CT）作為一種方便、無創的方法被廣泛應用于肺功能的評估. 在基于CT 圖像的計算機輔助評估肺功能的方法中，人工設計的特征存在表達能力有限的問題，且現有的深度學習方法從高噪稀疏的小樣本數據集中提取特征的效果較差. 為了提高肺功能檢查的效率，本文提出了基于CT 圖像的肺功能預測網絡（LFP-ResNet）. 首先，本文提出了多層次上下文特征融合（MCFF）方法，有效增強了對表征肺部紋理和形態的特征提??；其次，利用三維殘差網絡充分保證了CT 圖像的空間異質性；最后，本文構建了包含肺功能正常人群和患有慢性呼吸系統疾病患者的肺功能數據集，并在該數據集上對比了本工作提出的方法以及其他先進的肺功能預測方法. 實驗結果表明，本文提出的MCFF 策略在含噪聲的稀疏矩陣中提取特征時比其他特征提取方法更有效，且所構建的LFP-ResNet 在肺功能預測任務中表現出更好的預測性能.

關鍵詞： 計算機斷層掃描； 深度學習； 多任務學習； 肺功能檢查； 慢性阻塞性肺疾病

中圖分類號： TP391 文獻標志碼： A DOI： 10. 19907/j. 0490-6756. 2024. 042006

１ 引言

目前，慢性呼吸道疾病是全球發病率和死亡率的主要原因之一［1］. 最常見的慢性呼吸道疾病包括慢性阻塞性肺病即慢阻肺（Chronic ObstructivePulmonary Disease，COPD）、哮喘和職業性肺病，被認為是造成全球非傳染性疾病負擔日益加重的最重要因素. 在我國，由于社會對慢阻肺病的認知較低，公眾知曉率不足10%. 另外，基層醫務人員診斷治療不足、不規范，錯失早期干預時機，慢阻肺病的防控現狀仍不容樂觀［2］. 盡管慢性呼吸道疾病無法治愈，但早期發現和治療有助于控制癥狀，對提高患者的生活質量，以及預防與發病率、殘疾和死亡風險相關的不良后果，起著決定性作用.

肺功能測試（Pulmonary Function Tests， PFTs）是對呼吸系統進行評估的手段，對診斷呼吸系統疾病至關重要. 肺活量測定法是PFTs 最常用且應用最廣泛的無創方法，通常在重大手術前進行［3， 4］，以評估手術風險，還可以提供重要的預后信息［5］和術后持續隨訪信息［6］. 肺活量測定法中最常規的參數是用力肺活量（Forced Vital Capacity， FVC）和一秒鐘用力呼氣容積（Forced Expiratory Volumein One Second， FEV1）. 強制肺活量測定流程如圖1 所示. 傳統的肺活量測定法要求患者快速呼氣直到肺部完全排空，然后盡可能充分地吸氣. 該過程持續10～20 min，并重復3～5 次以保證重現性. 此外，檢測結果的準確性取決于患者的狀態與配合情況. 由于需要嚴格遵守檢測指示，學齡前兒童、患有氣流阻塞的患者以及無意識的患者難以完成肺活量測定. 因此，肺活量測定法難以準確快速地評估呼吸系統狀態.

為了提高肺功能檢查的效率，計算機斷層掃描（Computer Tomography， CT）作為一種方便、無創的醫學影像診斷手段被廣泛應用于肺功能的評估. CT 可以為肺部疾病診斷提供如支氣管壁增厚、肺氣腫形態和氣道梗阻等信息，這些影像學特征直接表明氣流受限，并被證明用于輔助疾病診斷、手術決策等［7］. 許多研究表明CT 圖像與肺功能之間存在相關性［8］. Moloney 等［9］發現FEV1 與平均肺密度（r= 0. 762， p lt;0. 001）和肺氣腫體積（r =-0. 678， p lt; 0. 001）顯著相關. 然而，密度測量法的最佳閾值受到CT 重建算法和不同掃描儀參數的影響. 為了消除這一影響，研究人員發現基于紋理的分析，例如圖像上不同強度之間的空間關系與肺功能的相關性比密度測量法更高［10］. 基于形態學［11］和生物力學特征［12］的方法也被證明與肺功能高度相關. 與PFTs 相比，CT 能夠評估疾病的區域異質性和病因，還可以提供詳細的形態學異常模式分析. 在已經獲得患者胸部CT 的情況下，減少了進一步肺功能檢測的必要性，且適用于一些無法進行PFTs 的患者.

基于CT 圖像和肺功能的相關性，近年來，基于CT 圖像的智能肺功能評估方法被提出. 根據特征提取方法可分為2 類：傳統的基于手工特征的方法和基于深度神經網絡（Deep Neural Network，DNN）的方法. 基于手工特征的方法提供了肺功能放射組學的分析，Gu 等［13］結合CT 密度和機器學習算法來預測肺功能，該方法預測肺功能指標FEV1 和FEV1/FVC%的平均百分比誤差分別為33% 和17%. Gawlitza 等［14］評估了使用定量CT 參數預測肺功能指標的可行性，預測FEV1 和FEV1/FVC% 的最佳結果分別為19% 和9%. 然而，手工設計的特征具有的表達能力有限，并且預測結果的準確性與特征選擇高度相關. 因此，Gonzalez等［15］使用預先標注了CT 圖像上的4 個解剖標志訓練二維卷積神經網絡（Two DimensionalConvolutional Neural Network， 2D-CNN）對慢阻肺患者進行檢測和分級. Hatt 等［16］提出了基于隨機采樣的輸入圖像的2D-CNN 對慢阻肺病患者的嚴重程度進行分類. 然而，慢阻肺的病情嚴重程度只是肺功能的表現之一，直接預測肺功能指標可以對患者呼吸狀態進行評估，往往能為醫生提供更加細粒度的分析. 2D-CNN 導致體積CT 圖像中空間信息的丟失，一些研究［17，18］使用三維卷積神經網絡（Three-dimensional Convolutional Neural Network，3D-CNN）作為肺結節檢測和其他任務的特征提取器，可以有效地保證病灶的空間異質性.Park 等［19］基于Inception 結構的膨脹三維卷積網絡（Inception-I3D）預測三維CT 圖像中的肺活量測定指標并取得了較好的成果，但該數據集僅包含健康人群數據，在包含呼吸系統疾病病例的數據集中預測效果有所下降. 然而，這些研究中使用的數據集通常規模小、數據噪聲大并且信息稀疏，這對三維模型的訓練構成了挑戰.

為解決上述問題，本文提出了基于多任務的、以殘差網絡（Residual Network， ResNet）為網絡骨干的3D-CNN，旨在利用CNN 對圖像的特征表達能力以及人口統計學信息和COPD 危重程度與肺功能指標的相關性從原始CT 圖像中預測肺功能.本研究所構建的模型能夠自動、高效且全面地從原始CT 圖像中提取特征. 并且由于醫學圖像序列中包含豐富的三維空間信息，該方法無需任何人工標注，可以基于三維結構對這些空間信息進行編碼和提取. 此外，為了增強特征的提取，本文設計了4 種不同的圖像融合策略，在簡化輸入數據的同時盡可能地保持圖像的固有特征，并通過實驗驗證了該策略的有效性. 最后，本研究對2009-2018 年期間在四川大學華西醫院進行肺活量測定并拍攝了胸部CT 的人群進行了收集和篩選，構建了一個包含1450 例參與者的相關影像、人口學信息以及肺功能檢查結果的數據集，并在該數據集上對比了本工作提出的方法和其他最先進的肺功能預測方法.

2 深度神經網絡肺功能預測方法

本研究提出的基于CT 圖像的深度神經網絡肺功能預測方法利用多級上下文特征融合方法從高噪稀疏的圖像中增強特征提取，結合3D-ResNet自動地從處理后的CT 圖像中提取肺功能相關的空間特征，最后基于多任務的全連接模塊對肺功能指標進行預測.

2. 1 多級上下文特征融合方法

從高噪聲且稀疏的圖像矩陣中提取特征是深度學習的難點. 由于圖形處理單元（Graphics ProcessingUnit， GPU）的限制，將整個高分辨率CT圖像作為3D-ResNet 的輸入可行性較低. 此外，在傳統的基于手工特征方法的研究中，低衰減區域（Low-Attention Area，LAA）的范圍，常作為肺功能放射組學特征對肺功能進行評估，其定義為在CT 圖像中CT 值小于某一閾值的區域，該閾值通常取-910 HU、-950 HU 等. 但部分研究表明，閾值的選取對于評估不同CT 圖像中的肺功能效果差異較大，暫時沒有最優的閾值選擇. 并且肺部區域的CT 值通常在-700～-600 HU 之間，利用LAA 評估肺功能無法包含肺實質區域部分的特征. 且臨床上使用的PFTs 能夠識別未受LAA 顯著影響的病例，因此基于LAA 的肺功能預測方法無法精確描述CT 圖像與肺功能相關的所有特征.受到將CT 中LAA 范圍作為肺功能預測因子的啟發，為了解決上述問題，本研究提出了多級上下文特征融合方法（Multi-level Contextual Feature Fusion，MCFF）方法，使用圖像切片的子集進行訓練和處理，盡可能地保持固有特征的同時，簡化輸入數據，如圖2 所示. MCFF 方法根據構建模式的不同，可分為CT 圖像強度沿橫軸的均值、最大值、最小值和混合值這4 種模式，每種模式在肺功能預測中都保留了不同的特點. 總的來說，MCFF 方法的目的是消除圖像中的不相關信息，增強相關信息的可檢測性，以提高特征提取和回歸預測的可靠性.

MCFF 方法的生成過程執行以下3 個主要步驟，算法1 以Min 策略為例對MCFF 算法步驟進行總結. 由于胸部CT 圖像中還包括除肺以外的組織，為了排除肺外組織的干擾，首先對原始CT 圖像進行肺實質分割［20］. 對于每張CT 切片用閾值法進行二值化處理，移除二值化圖像中所有小于30 mm2 或者離心率大于0. 99 的區域. 由于肺實質始終處于圖像中心，計算切片中的每個連通區域到圖像中心最小距離（MinDist）以及面積，并保留面積大于6000 mm2 并且MinDist 小于62 mm 的連通區域. 為確保掩碼（Mask）中包含肺外壁上的組織，對上述連通區域進行腐蝕和凸包計算，得到最終Mask. 并將[-1200，600 ]作為閾值對Mask 進行歸一化處理，并將Mask 以外的區域填充為170.

由于肺實質分割后的圖像尺寸大小各不相同，統計數據集中所有分割后的CT 圖像的長、寬以及切片數量這3 個維度的最大值，記為nxm，nym，nzm. 然后將（ nxm - nx ） /2，（ nym - ny ） /2，（ nzm -nz ） /2 作為矩陣填充的寬度，對矩陣邊界進行填充（Padding），并將170 作為固定填充值，每例CT 圖像被填充為nxm × nym × nzm，再將每張切片下采樣到112 × 112 像素.

其次，將處理后的CT 切面軸向劃分為K （ K lt; nzm ） 個大小相同的區域. 計算每個區域內相同位置的像素點的最小值、最大值和平均值，最終得到K 張通道融合的切片. 各通道在肺功能預測中都保留了不同的特點，其中Min 方法通過計算分區中各切片對應位置的最小值來提取各分區區域的低衰減區域的特征，以評估肺氣腫和其他氣道阻塞異常，其表示方式如下.

原始三維CT 圖像經過肺實質分割之后，肺實質區域中CT 值較大的區域通常表明肺部纖維化變化和結節區域，Max 方法通過計算各分區中的最大值，提取各分區區域中的肺部異常區域，其表示方式如下.

Mean 方法則是通過對分區中各切片對應位置的像素值進行平均，以提取各分區區域的總體特征，其表示方式如下.

其中，M 為肺實質分割后的CT 圖像矩陣；x 和y 為各切片矩陣中的坐標，k = 1，2，…，K 為區域編號，n = nzm /K 為每個分區的切片數量. 然后，將同一CT 圖像的平均值、最大值和最小值切片融合拼接成3 × K × 112 × 112 的三通道形式，稱為Mix方法.

2. 2 LFP-ResNet

ResNet 由He 等［21］于2015 年提出，目前已成為應用最廣泛的特征提取網絡. ResNet 通過將網絡中的淺層信息恒等映射到深層網絡中，使得網絡的內部結構同樣具有恒等映射的能力，在解決CNN 深度退化問題上具有優越性能. ResNet 殘差塊的基本結構如圖3 所示，通過調整殘差塊中的通道數量以及堆疊的殘差塊數量，來得到不同表達能力的網絡，網絡中任意層的特征表達為

本文提出的LFP-ResNet 的整體網絡框架如圖4 所示. 在醫學圖像分析任務中，以三維CT 圖像為例，由于2D-CNN 將單張CT 切片作為輸入，訓練過程應用于各張切片，因此無法捕捉到存在于切片之間的信息，一部分空間信息將會丟失. 相較于二維結構，三維CNN 可以從立體三維CT 圖像中提取空間特征，例如肺部異常區域的體積、圖像上不同強度之間的空間關系等，可以彌補二維結構的不足. 因此，LFP-ResNet 以3D-ResNet 作為網絡骨干提取三維CT 圖像中的肺功能相關特征. 首先，利用遷移學習（Transfer Learning）可以將已習得的強大技能遷移到相關的問題上的優勢，使用Kinetics 視頻數據集［22］對3D-ResNet 進行預訓練，并將收斂的模型參數作為肺功能預測網絡的初始參數. 將經過MCFF 方法處理后的三維數據作為輸入，通過3D-ResNet 網絡進行特征提取，得到與肺功能相關的影像特征. 根據患者的性別、年齡、身高體重、種族等人口統計學信息與FEV1% 預測值和FVC%預測值的相關性，本文將3D-ResNet 提取到的影像特征和人口統計學信息的文本特征進行融合作為多任務模塊的輸入. 最后，基于肺功能指標與COPD 嚴重程度分級的顯著相關性，以肺功能指標預測任務作為主要任務，COPD 嚴重程度分級任務作為輔助任務設計全連接模塊，得到最終的肺功能指標預測結果.

2. 3 基于多任務學習的損失函數

多任務學習（Multi-Task Learning， MTL）通過在相關任務之間共享表征來提高對特定任務的概括能力［23］. 在臨床中，FEV1 占預測值百分比和FEV1/FVC 比值是對慢阻肺病的嚴重程度進行分級的金標準. 因此，在肺功能預測的場景下，本研究將COPD 嚴重程度分級任務作為輔助任務，與肺功能指標預測任務結合起來，以使用輔助任務的訓練信號中所包含特定領域信息來提高肺功能指標預測的性能. 本實驗為2 種任務分別設置了獨立的損失函數，針對回歸任務，將Smooth L1 損失函數作為肺功能指標預測的損失函數. 相較于更常用的回歸任務損失函數L1 和L2，Smooth L1函數對離群點更加魯棒，使得訓練更穩定，其計算表達式如下.

其中，x 表示真實值與模型預測值的數值差異. 對于分類任務，將帶有Logistic 函數的加權交叉熵（Cross Entropy Loss，CEL）函數作為COPD 危重程度分級任務的損失函數，帶有Logistic 函數的交叉熵損失函數有利于提升數值計算穩定性. 在實際臨床應用中，由于COPD 危重分級各類別樣本數量不均，以健康人群為主要樣本人群，而COPD最危重人群樣本數量較少，因此本文采用加權交叉熵損失函數，以各COPD 分級類別數量比例的倒數作為處理類別不平衡問題的權值Wn ={ w1，w2，…，wL }，其計算方式如下.

其中，p 表示樣本真實值；q 表示模型預測值；S （ x ）表示Logistic 函數. 整個網絡在訓練過程中的混合損失函數可以表示為

Ltotal = λ1 LsmoothL1 + λ2 LCOPD （7）

其中，λ 1 和λ2 是控制每個損失權重的超參數.

3 實驗與分析

3. 1 數據集收集

本研究回顧性地收集了2009-2018 年在四川大學華西醫院進行肺活量測定并且拍攝了胸部CT 圖像的1480 位患者的1837 例胸部CT 檢查，構建了一個新的數據集. 數據集中包含患者的人口統計信息，如身高、體重以及患者相對應的肺功能檢查指標，包括FEV1、FEV1 預測值、FVC、FVC預測值、FEV1/FVC% 、一氧化碳擴散能力（DLCO%）以及6 min 步行距離. 為了確保數據質量，本研究只納入了薄層CT 圖像，即掃描層厚最低在1 mm 以下. 相較于厚層CT 圖像，薄層CT 的圖像分辨率更高，因此異常區域成像更加清晰. 由于數據記錄錯誤，一些病例被排除，包括但不限于FEV1gt;30 L 以及FEV1/FVC% gt;100% 的數據項. 最后，387 例病例被排除，1450 例病例保留在數據集中. 所有CT 圖像和肺活量測定指標記錄均為匿名，以保護患者隱私. 所有病例的基本信息和肺活量測定值的統計信息見表1. 根據全球阻塞性肺疾病倡議標準（ GOLD2017）［24］，病例可以根據肺活量測定指標中的FEV1/FVC%和FEV1% 預測值對COPD 嚴重程度進行劃分，分別為未患COPD（1195 例），GOLD I（131 例），GOLD II（111例）， GOLD II（I 13例）， GOLD IV（0例）.

3. 2 實現細節

本文所有實驗都在裝有4 塊NVIDIA TITANRTX（24 GB）的服務器上進行，該服務器裝有Ubuntu 18. 04 操作系統和CUDA 11. 4 并行優化加速的底層庫. 所有的實驗代碼均基于Python36 的Pytorch-v1. 0. 0 進行編碼和構建. 本研究將數據集分為十折，所有的實驗都采用10 折交叉驗證法進行評估，即在每次迭代i 中，第i 折用于測試，而其余九折數據用于訓練，確保訓練集和測試集中的數據互不相同. 使用平均絕對誤差（Mean AbsoluteError， MAE）和平均相對誤差（Mean RelativeError， MRE）評估預測模型的性能. 由于肺功能指標預測任務的損失函數尺度大于分類任務，因此設置超參數λ1 為0. 5，λ2 為2，使得λ1 和λ2 的乘積為1. 采用梯度下降法（Stochastic Gradient Descent，SGD）作為訓練優化器，動量參數被設置為0. 9. 對于模型訓練，設置訓練回合為200 個epoch，設置初始學習率為0. 006，并且當訓練損失不再變化時，學習率減小10 倍. 將權重衰減設置為0. 0001 來改善過擬合問題，防止損失函數陷入局部極小值. 另外，訓練的批次大小設置為16. 為使數據集盡可能多樣化，增強訓練模型的泛化能力，訓練集采用中心圖像剪裁，測試采用隨機圖像剪裁. 此外，在訓練前對輸入數據進行旋轉和平移等數據增強操作.

3. 3 實驗結果分析

3. 3. 1 驗證多級上下文特征融合方法的有效性

本文首先對不同的特征融合方法在肺功能指標預測任務上的性能進行了評估. 對于肺功能指標預測任務，本研究得到的結果匯總在表2 中，表中結果為十折交叉驗證測試集結果的平均值和標準差. 實驗結果表明，不同的MCFF 方法在預測肺功能能力方面存在差異. 如表2 所示，Min 策略在預測FEV1、FVC 和FEV1/FVC% 上具有顯著的預測能力，平均融合（Mean）策略和Mix 策略對FEV1% 預測值和FVC% 預測值的預測效果較好. 在先前的研究中，CT 圖像中的LAA 的范圍被證明與肺功能能力有關［25，26］. 在表2 中，Min 策略在FEV1、FVC 和FEV1/FVC% 的預測中達到MAE 的最小值. 結果表明，低衰減區域，即HU 值較小的區域在肺功能預測中具有較強的相關性.因此，使用低衰減區域可以很好地量化肺功能，在本研究的實驗結果中得到了證明. 此外，FEV1%預測值和FVC%預測值是根據人口統計學信息計算得出，由于Mean 策略和Mix 策略中包含了CT圖像中更豐富的信息，因此在FEV1% 預測值和FVC%預測值這2 個指標的預測上優于其他策略.

為了驗證MCFF 策略對于CT 圖像特征提取的有效性，本文對軸向分割后的每個區域隨機采樣1 張切片，共采樣K 張切片，稱為Random 方法.Random 實驗的模型測試部分采用最小融合（Min）策略，因為在測試過程中如果存在隨機抽樣，模型測試結果就會變得不確定. 在Zoom 方法中，根據文獻［16］中使用插值法將分割后的CT 圖像直接縮放到K × 112 × 112，稱為Zoom 方法. 對預處理后的CT 圖像不做任何操作，稱為Origin 方法. 如表2 所示，經過MCFF 方法預處理的輸入數據在所有肺功能指標預測中表現更為突出. 結果表明，經過特征融合的圖像比未處理的CT 圖像存有更多與肺功能相關的像素信息，且降低了輸入數據的隨機性. 立體CT 圖像在軸向上被分割成若干個大小相等的區域，每個區域分別融合，保留了不同肺部區域肺功能的特征信息. 此外，未采用MCFF 策略的CT 圖像僅包含若干個連續圖像，而采用MCFF 策略的輸入包含了整個肺部狀況的相關信息，更全面地反映了肺功能. 為了進一步說明MCFF 方法的有效性，在預測FEV1 時比較了不同的圖像分區數K：16、32 和48. 分別采用Min、Max 和Mean 融合策略. 結果如表3 所示，隨著輸入圖像的分區數量減少，預測性能增加. 結果表明，隨著輸入通道數量的增加，矩陣中的特征變得稀疏，從而降低了三維結構模型對高噪稀疏矩陣的特征提取能力.

3. 3. 2 對比不同維度殘差網絡的特征提取能力

因不同CT 圖像的切片數量、切片厚度以及切片間隔不同，很難在z 軸，即輸入數據的深度上實現數據統一，因此目前大多醫學影像分析實驗以2DCNN作為網絡骨干. 但這些方法會導致CT 圖像間的空間信息丟失. 與二維結構相比，三維網絡更擅長編碼三維空間信息，并具有較高的識別能力.為了進一步驗證LFP-ResNet 對三維空間信息的編碼能力，引入了2D-ResNet 和2. 5D-ResNet 進行對比. 在2D-ResNet 中，將經過Min 策略處理后的圖像水平拼接起來形成單張蒙太奇（Montage）作為網絡輸入. 在2. 5D-ResNet 中，將卷積核的輸入通道數設置為Min 策略處理后的圖像通道數. 從表4 可知，基于2D-ResNet 的肺功能指標預測結果均低于LFP-ResNet. 由于二維模型輸入的局限性，基于2D-ResNet 的方法更傾向于篩選與肺功能相關的密度和紋理特征，往往不夠充分，而帶有三維卷積濾波器的3D-CNN 可以從立體CT 圖像中自動提取復雜肺內環境和病變的鑒別特征. 此外，2. 5D 方法比2D 方法表現更好，但仍低于3D 方法.

3. 3. 3 驗證多任務學習的有效性

本任務還調查了包括多模態數據和多任務學習在內的組件對網絡的影響效果. 表5 為未添加臨床信息數據和COPD 危重程度分級任務的網絡模型在肺功能預測任務上的效果. 因FEV1% 預測值和FVC%預測值是通過與健康個體的參考值進行比較來解釋的，這些參考值是由早期研究的多元回歸方程得出，根據患者的性別、年齡、身高、體重和種族等人口統計學信息計算得出［27］. 目前的計算式多以歐美人群的年齡和身高為預測因素進行多元回歸分析，暫時沒有以中國人群為基礎的肺活量參考方程式. 本研究將患者的性別、年齡等信息作為預測因素與3D-CNN 提取的特征一起通過全連接層對肺功能進行預測. 結果表明，臨床信息和輔助任務的加入有效提高了模型對肺功能指標的預測能力.

3. 3. 4 與其他最先進的肺功能預測模型的比較

到目前為止，一些研究人員也進行了基于CT 的肺功能指標預測實驗. 本文復現了目前在肺功能指標預測上效果最好的3 種方法. Gu 等［13］采用偏最小二乘（partial least squares， PLS）回歸構建預測模型，將CT 圖像的肺容積（Lung Volume，LVOL）和LAA 作為PLS 回歸模型的輸入. Gawlitza等［14］提取了4 個定量參數，包括LVOL、平均肺密度、半值全寬和LAA，并使用5 個模型來預測肺功能，包括神經網絡、KNN 回歸. 我們從5 個模型中選取預測結果最好的模型進行結果展示. Park等［19］采用Inception 作為膨脹卷積的網絡骨干分別對5 個肺功能指標進行預測. 如表6 所示，在預測肺活量測定指標時，LFP-ResNet 的性能總體優于上述3 個復現模型，表明基于MCFF 方法的3DResNet增強了特征提取的有效性. 與本研究相似，3 種方法在預測FEV1/FVC% 的性能比FEV1%預測值更好. 與本文方法相比，前兩項研究中的數據集僅包括COPD 患者，而本研究的數據集包括未患COPD 的患者，表明本文的模型可以預測COPD 患者和其他肺部疾病以及肺功能正常人群的肺功能. 此外，本研究對FVC、FVC%預測值也進行了預測，對肺功能進行了更全面的評估. 在第3 項研究中，Inception-I3D 模型在預測FEV1% 預測值和FVC%預測值與本文提出的方法的預測結果接近，其原因是FEV1% 預測值和FVC% 預測值是根據健康人群的人口學信息統計得出，因此該模型對健康人群的肺功能指標預測效果較好.盡管Inception-I3D 在預測健康人群的肺功能效果較為突出，然而在臨床實踐中，進行肺活量測定的人群通常表現出各種呼吸系統疾病，因此該模型在預測呼吸疾病的患者肺功能時性能有所下降，難以應用在實際場景中. 此外，Park 等［19］通過訓練多個獨立的Inception-I3D 來預測各肺活量測定指標的結果，在學習過程中丟失了肺功能指標之間的相關性，且預測效率較低.

4 結論

肺功能評估對于識別哮喘和COPD 等疾病至關重要，然而在臨床中，肺活量測定法費時費力且不適用于所有患者. 此外，為了解決傳統手工設計的特征以及二維神經網絡提取空間特征的局限性. 本研究提出了基于多級上下文融合策略的LFP- ResNet，建立了CT 圖像和肺功能之間的直接關系. 網絡以ResNet 作為基礎結構，通過添加上下文融合的特征提取方法增強特征的提取，同時引入3D 殘差塊，從三維原始CT 圖像中充分提取空間特征，提升模型的精度. 同時，本文引入臨床數據和COPD 危重程度分級輔助任務，以相關任務的訓練信號中所包含的特定領域信息來提高模型的泛化性能. 實驗結果表明，本文方法對于改進基于深度學習的肺功能預測的模型性能，降低預測誤差有一定的效果，能為以后智能輔助評估肺功能的進一步研究提供思路.

參考文獻：

［1］ Viegi G，Maio S，Fasola S，et al. Global burden ofchronic respiratory diseases［J］. Journal of AerosolMedicine and Pulmonary Drug Delivery， 2020，33： 171.

［2］ Ge L Y，Liu B，Fang F，et al. Survey on the awarenessof chronic obstructive pulmonary disease andscreening willingness ［J］. Chinese Journal for Clinicians，2023， 51： 6.［葛玲玉， 劉兵， 方方， 等. 慢性阻塞性肺疾病認知情況及篩查意愿調查研究［J］. 中國臨床醫生雜志， 2023， 51： 6.］

［3］ Almquist D，Khanal N，Smith L，et al. Preoperativepulmonary function tests（ PFTs） and outcomes fromresected early stage non-small cell lung cancer（NSCLC）［ J］. Anticancer Research， 2018， 38： 2903.

［4］ Yang J L. Effect of preoperative FEV1% andDLCO% on pleural drainage after single-port thoracoscopicLobectomy in lung cancer patients［D］. Jilin：Jilin University， 2020.［楊金禮. 肺癌患者術前FEV1% 及DLCO%對單孔胸腔鏡肺葉切除術后胸腔引流影響的研究［D］. 吉林： 吉林大學， 2020.］

［5］ Jung J H，Kim G E，Min I K，et al. Prediction ofpostinfectious bronchiolitis obliterans prognosis inchildren［ J］. Pediatric Pulmonology， 2021，56： 1069.

［6］ Westerdahl E，Jonsson M，Emtner M. Pulmonary function and health-related quality of life 1-year followup after cardiac surgery［ J］. Journal of CardiothoracicSurgery， 2016， 11： 1.

［7］ Yadav P， Menon N， Ravi V， et al. Lung-GANs：Unsupervised representation learning for lung diseaseclassification using chest CT and X-ray images［J］.IEEE Transactions on Engineering Management，2021， 70： 2774.

［8］ Gao Y，Tang J. Progress in clinical research on the diagnosisof chronic obstructive pulmonary disease bymulti-slice spiral CT ［J］. China Medical Engineering，2014， 22： 203.［高屹， 唐娟. 多層螺旋CT 診斷慢性阻塞性肺疾病臨床研究進展［J］. 中國醫學工程， 2014， 22： 203.］

［9］ Moloney F，McWilliams S，Crush L，et al. CT densitometryas a predictor of pulmonary function in lungcancer patients［J］. The Open Respiratory MedicineJournal， 2012， 6： 139.

［10］ Sorensen L，Nielsen M，Lo P，et al. Texture-basedanalysis of COPD： A data-driven approach［J］. IEEETransactions on Medical Imaging， 2011， 31： 70.

［11］ Nardelli P，Diaz A A，Washko G R，et al. Improvingthe accuracy of airway wall measurements using deeplearning ［C］//American Thoracic Society 2019 InternationalConference. New York： American ThoracicSociety， 2019.

［12］ Chaudhary M F A， Pan Y， Wang D， et al.Registration-invariant biomechanical features for diseasestaging of COPD in SPIROMICS［C］//Proceedingsof the 2nd International Workshop on ThoracicImage Analysis： TIA 2020， Held in Conjunctionwith MICCAI 2020. Lima， Peru： Springer InternationalPublishing， 2020.

［13］ Gu S，Leader J，Zheng B，et al. Direct assessment oflung function in COPD using CT densitometric measures［ J］. Physiological Measurement， 2014， 35： 833.

［14］ Gawlitza J，Sturm T，Spohrer K，et al. Predicting pulmonaryfunction testing from quantified computed tomographyusing machine learning algorithms in patientswith COPD［J］. Diagnostics， 2019， 9： 33.

［15］ Gonzalez G， Ash S Y， Vegas-Sanchez-Ferrero G，etal. Disease staging and prognosis in smokers usingdeep learning in chest computed tomography［J］.American Journal of Respiratory and Critical CareMedicine， 2018， 197： 193.

［16］ Hatt C，Galban C，Labaki W，et al. Convolutionalneural network based COPD and emphysema classificationsare predictive of lung cancer diagnosis［C］//Proceedings of the 3rd International Workshop on Im ?age Analysis for Moving Organ，Breast，and ThoracicImages. Cham： Springer International Publishing，2018.

［17］ Xu X，Wang C，Guo J，et al. DeepLN：A frameworkfor automatic lung nodule detection using multiresolutionCT screening images ［J］. Knowledge-Based Systems， 2020， 189： 105128.

［18］ Guo J，Wang C，Xu X，et al. DeepLN： An artificialintelligence-based automated system for lung cancerscreening ［J］. Annals of Translational Medicine，2020， 8： 1126.

［19］ Park H，Yun J，Lee S M，et al. Deep learning-basedapproach to predict pulmonary function at chestCT［ J］. Radiology， 2023， 307： 221488.

［20］ Liao F，Liang M，Li Z，et al. Evaluate the malignancyof pulmonary nodules using the 3-d deep leaky noisyornetwork［J］. IEEE Transactions on Neural Networksand Learning Systems， 2019， 30： 3484.

［21］ He K，Zhang X，Ren S，et al. Deep residual learningfor image recognition［C］//Proceeding of the IEEEConference on Computer Vision and Pattern Recognition.Los Alamitos： IEEE Computer Society， 2016.

［22］ Kay W，Carreira J，Simonyan K，et al. The kineticshuman action video dataset ［EB/OL］.（2017-05-19）［2023-04-04］. https：//arxiv. org/abs/1705. 06950.

［23］ Caruana R. Multitask learning ［M］. New York：Springer US， 1998.

［24］ Vogelmeier C F，Criner G J，Martinez F J，et al.Global strategy for the diagnosis，management， andprevention of chronic obstructive lung disease 2017report. GOLD executive summary ［J］. AmericanJournal of Respiratory and Critical care Medicine，2017，195： 557.

［25］ Lafata K J，Zhou Z，Liu J G，et al. An exploratory radiomicsapproach to quantifying pulmonary functionin CT images［ J］. Scientific Reports， 2019， 9： 11509.

［26］ Occhipinti M，Paoletti M，Bartholmai B J， et al. Spirometricassessment of emphysema presence and severityas measured by quantitative CT and CT-basedradiomics in COPD［J］. Respiratory Research， 2019，20： 1.

［27］ Falaschetti E，Laiho J，Primatesta P，et al. Predictionequations for normal and low lung function from theHealth Survey for England ［J］. European RespiratoryJournal， 2004， 23： 456.

（責任編輯： 伍少梅）

基金項目： 國家自然科學基金（62106163）； 四川省自然科學基金面上項目（2023YFG0283）； 中國人工智能學會-華為MindSpore 學術獎勵基金（21H1235）