慢性阻塞性肺疾病肺功能的CT人工智能評估

[摘要]"目的"探討慢性阻塞性肺疾病（chronic"obstructive"pulmonary"disease，COPD）患者行胸部計算機斷層掃描（computed"tomography，CT）時，基于人工智能（artificial"intelligence，AI）模型算法的肺氣腫全自動量化與肺功能的相關性。方法"回顧性分析2020年12月至2021年5月于臺州恩澤醫療中心（集團）恩澤醫院接受胸部CT平掃檢查的COPD住院患者的臨床及影像資料。根據患者通氣功能下降程度分為5個等級。利用AI模型計算COPD患者的肺氣腫病變范圍，識別低于–950HU的低衰減區域，并計算低衰減區域百分比（low"attenuation"area"percentage，LAA%）。結合AI模型輸出結果，根據變量是否滿足正態分布的特征，分別計算COPD不同分級患者的1秒末用力呼氣容積實測值占預計值百分比（percentage"of"measured"forced"expiratory"volume"at"the"end"of"1"second"to"estimated"value，FEV1%）與各肺葉LAA%之間的Pearson相關系數及FEV1占用力肺活量百分比（FEV1"as"a"percentage"of"forced"vital"capacity，FEV1/FVC）與各肺葉LAA%之間的Spearman相關系數。結果"中度COPD患者全肺LAA%與FEV1/FVC存在負相關關系（r=–0.632，P=0.001）；極重度COPD患者全肺LAA%與FEV1/FVC和FEV1%均呈負相關（r=–0.562，P=0.045和r=–0.701，P=0.004）。肺段分析結果表明極重度COPD患者左肺上葉LAA%與肺功能指標相關性更強（r=–0.650，P=0.016和r=–0.731，P=0.002）；中度COPD患者左肺下葉LAA%與FEV1/FVC相關性更顯著（r=–0.712，P=0.000）。吸煙患者中，右肺下葉LAA%與FEV1%呈中度相關（r=–0.534，P=0.006），左肺下葉LAA%與FEV1/FVC亦呈中度相關（r=–0.564，P=0.003）。結論"基于AI的肺氣腫量化結果與FEV1/FVC和FEV1%具有良好的相關性，可為基于CT平掃圖像的COPD診斷和分級提供有力支持。

[關鍵詞]"慢性阻塞性肺疾病；人工智能；肺功能；定量CT

[中圖分類號]"R563；R816""""""[文獻標識碼]"A""""""[DOI]"10.3969/j.issn.1673-9701.2025.06.001

CT"artificial"intelligence"assessment"of"pulmonary"function"in"chronic"obstructive"pulmonary"diseases

FU"Haonan1，"ZHANG"Shanshan1，"ZHANG"Minge1，"LIU"Zishan2，"YANG"Hai1

1.Department"of"Radiology，"Taizhou"Hospital"of"Zhejiang"Province，"Enze"Hospital"of"Taizhou"Enze"Medical"Center"（Group），"Taizhou"317000，"Zhejiang，"China;"2.Department"of"Radiology，"Taizhou"Central"Hospital，"Taizhou"University"Hospital，"Taizhou"318000，"Zhejiang，"China

[Abstract]"Objective"To"analyse"correlation"between"automatic"quantification"of"emphysema"and"lung"function"based"on"artificial"intelligence"（AI）"model"algorithm"by"chest"computed"tomography"（CT）"in"patients"with"chronic"obstructive"pulmonary"disease"（COPD）."Methods"The"clinical"and"imaging"data"of"hospitalized"COPD"patients"who"received"chest"CT"plain"scan"in"Taizhou"Hospital"of"Zhejiang"Province，"Enze"Hospital"of"Taizhou"Enze"Medical"Center"（Group）"from"December"2020"to"May"2021"were"retrospectively"collected，"patients"were"classified"into"five"levels"of"ventilator-function"decline."By"using"the"AI"model，"the"extent"of"emphysema"lesions"in"COPD"patients"were"calculated，"low-attenuation"areas"below"–950HU"were"identified"and"their"low"attenuation"area"percentage"（LAA%）"were"calculated."Combined"with"the"output"results"of"AI"model"and"whether"each"variable"met"the"characteristics"of"normal"distribution，"Pearson"correlation"coefficient"between"percentage"of"measured"forced"expiratory"volume"at"the"end"of"1"second"to"estimated"value"（FEV1%）"and"LAA%"of"each"lung"lobe，"and"the"Spearman"correlation"coefficient"between"FEV1"as"a"percentage"of"forced"vital"capacity"（FEV1/FVC）"and"LAA%"of"each"lung"lobe"in"patients"with"different"COPD"grades"were"calculated"respectively."Results"There"was"a"negative"correlation"between"total"lung"LAA%"and"FEV1/FVC"in"moderate"COPD"（r=–0.632，"P=0.001）."Total"lung"LAA%"in"very"severe"COPD"was"negatively"correlated"with"both"FEV1/FVC"and"FEV1%"（r=–0.562，"P=0.045"and"r=–0.701，"P=0.004）."The"results"of"lung"segment"analysis"showed"that"LAA%"of"the"left"upper"lung"lobe"was"more"strongly"correlated"with"pulmonary"function"indicators"in"extremely"severe"COPD"（r=–0.650，"P=0.016"and"r=–0.731，"P=0.002）."The"correlation"between"left"inferior"lobe"LAA%"and"FEV1/FVC"was"stronger"correlation"in"patients"with"moderate"COPD"（r=–0.712，"P=0.000）."In"smoking"patients，"LAA%"was"moderate"correlated"with"FEV1"（r=–0.534，"P=0.006），"and"LAA%"was"moderate"correlated"with"FEV1/FVC"（r=–0.564，"P=0.003）."Conclusion"AI-"based"emphysema"quantification"results"have"a"good"correlation"with"FEV1/FVC"and"FEV1%，"which"can"provide"strong"support"for"the"diagnosis"and"classification"of"COPD"based"on"CT"plain"scan"images.

[Key"words]"Chronic"obstructive"pulmonary"disease;"Artificial"intelligence;"Lung"function;"Quantitative"computed"tomography

慢性阻塞性肺疾病（chronic"obstructive"pulmonary"disease，COPD）包括肺氣腫和慢性支氣管炎，是全球范圍內第4大死因和第3大致殘原因。2021年，COPD導致的死亡人數達350萬，而實際患病人數可能更多，許多患者因未被診斷或未察覺而未被統計在內[1-2]。肺氣腫的特征是終末細支氣管的永久性膨脹和支氣管壁破壞，其主要誘因是吸煙，患者預后較差。早期干預可顯著改善治療效果，因此早期診斷和治療尤為重要[3-6]。肺功能檢查（pulmonary"function"test，PFT）是評估肺氣腫的金標準，但其存在以下局限性：首先，并非所有患者均適合接受肺功能檢查，如因全身無力或呼吸道問題的患者；其次，肺功能檢測對早期診斷的敏感度較低，僅當病變范圍gt;30%時才能確診氣流受限；此外，PFT無法全面評估病變的分布情況，還可能受非肺部疾病的影響[7]。基于CT的低密度區域（low"attenuation"area，LAA）分析可將作為病理生理學一部分的潴留空氣識別為肺氣腫，對無法進行PFT的肺氣腫患者可能具有重要意義。然而，不同研究表明即使LAA比例相似，其分布和定位對肺功能的影響可能存在顯著差異。此外，這些技術通常需要手動輸入，易受主觀因素的影響[8]。人工智能（artificial"intelligence，AI）技術可實現肺部分割和定量分析的自動化，減少主觀性和操作時間，從而降低觀察者間和患者間的差異，顯著提高診斷的一致性。AI在肺部病變評估，特別是早期小氣道疾病的診斷和管理方面展現出巨大潛力。AI可為臨床醫生提供更準確、快速、客觀的診斷信息，從而助力改善患者的治療和預后[9]。本研究旨在探討COPD患者行胸部CT掃描時基于AI模型算法的肺氣腫全自動量化與肺功能的相關性。

1""資料與方法

1.1""一般資料

回顧性分析2020年12月至2021年5月臺州恩澤醫療中心（集團）恩澤醫院經臨床診斷為COPD的住院患者的臨床資料。納入標準：①符合美國胸科學會–歐洲呼吸學會（American"Thoracic"Society-"European"Respiratory"Society，ATS-ERS）指南診斷標準[10]；②使用相同的CT掃描儀，掃描參數一致；③CT圖像清晰；④胸部CT檢查前后1周內完成PFT。排除標準：①肺惡性疾病（如肺門腫瘤）或先前的肺切除手術史等其他具有可能影響定量CT測量結果的因素；②CT圖像質量差；③數據不全；④直接接受CT增強檢查的患者。最終納入190例患者，其中輕度98例，中度34例，中重度22例，重度21例，極重度15例。本研究經臺州恩澤醫療中心（集團）恩澤醫院醫學倫理委員會批準（倫理審批號：K20240708）。

1.2""CT檢查方法

CT檢查采用Lightspeed"16層螺旋CT掃描儀（GE，美國）；胸部CT掃描參數：管電流100～"180mA，管電壓120kV，矩陣512×512，螺距1.375，機架旋轉時間0.5s。檢查時患者取仰臥位，在深吸氣后屏氣狀態下從肺尖至肺底區域進行掃描。

1.3""臨床資料

收集患者的臨床資料，包括年齡、性別及吸煙史（吸煙狀態、吸煙量和年限），所有數據均摘錄自患者的住院病史記錄。

1.4""PFT

患者于胸部CT檢查前后1周內按ATS-ERS指南建議，使用標準質量流量傳感器和多氣體分析儀（康訊醫療，德國）進行PFT。檢測內容包括支氣管擴張劑后肺活量測定，主要指標：1秒末用力呼氣容積實測值占預計值百分比（percentage"of"measured"forced"expiratory"volume"at"the"end"of"1"second"to"estimated"value，FEV1%）、FEV1占用力肺活量的百分比（FEV1"as"a"percentage"of"forced"vital"capacity，FEV1/FVC）、肺活量、功能殘氣量與肺總量。檢測時患者取坐位。所有肺功能數據均在同一天內獲得，以減少因生理節律變化導致的誤差。根據ATS-ERS指南肺通氣功能下降分5級。輕度：FEV1%≥70%；中度：60%≤FEV1%≤69%；中重度：50%≤FEV1%≤59%；重度：35%≤FEV1%≤49%；極重度：FEV1%lt;35%。

1.5""定量評估

使用AI1.0.6軟件對胸部CT圖像中的肺實質和肺氣腫區域進行自動識別和分割。通過設置閾值（LAAlt;–950HU）檢測胸部CT圖像中的低衰減區域，并計算整個肺及各肺葉（左上葉、左下葉、右上葉、右中葉和右下葉）的低衰減區域百分比（low"attenuation"area"percentage，LAA%）。LAA%作為量化指標用于反映肺氣腫病變的嚴重程度，見圖1。

1.6""統計學方法

采用SPSS"26.0統計學軟件對數據進行處理分析。計量資料以均數±標準差（"）表示。根據AI結果及各變量是否符合正態分布選擇適當的相關性分析方法：對COPD各分級的FEV1/FVC與各肺葉LAA%之間進行Spearman相關性分析（適用于非正態分布數據）；對COPD各分級的FEV1%與各肺葉LAA%之間進行Pearson相關性分析（適用于正態分布數據）。Plt;0.05為差異有統計學意義。

2""結果

2.1""一般資料

190例患者中男118例，女72例；年齡29～86歲，平均（70.50±8.89）歲。吸煙患者26例，非吸煙患者164例，比較差異無統計學意義（P=0.094）。總體PFT結果顯示：FEV1%為（65.86±22.74），FEV1/FVC為（58.65±8.39）。根據肺通氣功能分級：輕度98例；中度34例；中重度22例；重度21例；極重度15例。吸煙患者（n=26）的肺通氣功能分級：輕度12例；中度5例；中重度7例；重度2例；極重度0例。

2.2""相關性分析

2.2.1""全肺分析""中度COPD患者中全肺LAA%與FEV1/FVC呈中度負相關（P=0.001）。對極重度COPD患者，全肺LAA%與FEV1/FVC和FEV1%均表現為顯著負相關（P=0.045和P=0.004）。此外，吸煙患者全肺LAA%與肺功能指標（FEV1%、FEV1/FVC）呈弱負相關（P=0.025和P=0.042），見表1、表2、圖2。

2.2.2""肺段分析""對極重度COPD患者，左肺上葉LAA%與FEV1/FVC的相關性更為顯著（P=0.002）；在中度COPD患者中，左肺下葉的LAA%與FEV1/FVC呈強負相關（r=–0.712，P=0.000）。吸煙患者中右肺下葉的LAA%與FEV1%呈中度負相關（P=0.006），左肺下葉的LAA%與FEV1/FVC亦呈中度負相關（P=0.003）。對中度、極重度COPD患者和吸煙患者，其他肺葉LAA%與肺功能指標相關性較弱或Pgt;0.05，見表2～表4，圖3和圖4。對輕度、中重度、重度COPD患者各肺葉LAA%與肺功能指標呈弱相關性（|r|lt;0.4）或Pgt;0.05。

3""討論

AI是放射學領域的前沿技術，可實現肺部分割和定量分析的全自動化。AI在圖像分析中的優勢體現在其可更全面地評估肺部病變的分布，特別是在早期小氣道疾病的診斷中展現出較高的應用價值[9]。本研究利用基于AI的肺氣腫定量評估方法揭示AI量化指標即LAA%與肺功能參數FEV1/FVC及FEV1%的顯著相關性。研究結果表明無論是在全肺層面還是肺段層面，LAA%均與FEV1/FVC和FEV1%呈中度至高度的負相關性，尤其是在中度和極重度COPD患者中，該發現進一步凸顯AI技術在COPD定量評估中的潛力，可為臨床早期診斷和治療COPD提供有力支持。研究證明基于AI的LAA%量化技術可有效反映肺氣腫病變范圍，其數值越高，與肺功能下降越顯著的相關性一致。FEV1/FVC和FEV1%是評估肺通氣功能的關鍵指標，而LAA%與其顯著負相關性揭示肺實質破壞、氣道阻塞與肺功能減退之間的內在聯系[11-12]。關于LAA%閾值的選擇，研究表明當CT閾值設定為–950HU時，LAA%與FEV1/FVC和FEV1%的相關性最佳[12-15]；本研究采用這一閾值并驗證其有效性。Zompatori等[16]在26例患者中發現CT量化指標與FEV1/FVC的相關性為0.75～0.79，提示CT量化技術在評估肺功能方面具有潛力。近年來，基于AI算法的肺氣腫應用逐漸增多。如Fischer等[17]在137例COPD患者中，基于COPD全球倡議的嚴重程度分級，報道全肺AI評分與FEV1/FVC的相關性（r=0.88，Plt;0.005）。Ebrahimian等[18]研究顯示CT圖像與FEV1/FVC有較強的相關性，與FEV1%有中度相關性。更重要的是AI技術的引入將肺氣腫的量化曲線下面積從0.77提高至0.87，從而增強對COPD嚴重程度分級的區分能力。

本研究發現在中度和極重度COPD患者中，全肺LAA%與FEV1/FVC的相關性強于FEV1%，可歸因于FEV1/FVC更能反映氣流阻塞的存在，從而驗證COPD作為一種以阻塞性肺氣腫為表現的疾病特性。此外，在不同肺葉層面，LAA%與肺功能指標的相關性表現出一定的異質性。如左肺下葉LAA%在中度COPD患者中與FEV1/FVC的相關性最強，而右肺下葉LAA%在吸煙患者中與FEV1%具有中度相關性。在極重度COPD患者中，左肺上葉LAA%與FEV1/FVC和FEV1%的相關性最為顯著。Fischer等[19]研究發現左肺上葉LAA%與FEV1/FVC及FEV1%呈最強相關性，與本研究結果一致。肺氣腫分布異質性可反映病變進展差異，左肺上葉LAA%與肺功能的強相關性符合肺氣腫上葉分布的典型病理特點。這種分布異質性對優化AI模型進一步提高診斷精準度具有重要意義。

吸煙是COPD的重要高危因素[20]；但關于吸煙患者不同肺葉LAA%與肺功能相關性的研究較少。本研究揭示吸煙患者中右肺下葉和左肺下葉LAA%分別與FEV1%和FEV1/FVC呈中度相關，提示吸煙對肺氣腫分布及功能損害的顯著影響。研究表明吸煙患者的全肺LAA%與肺功能嚴重程度分級呈正相關[19]。然而，由于本研究中的吸煙患者樣本量較小，無法根據肺功能嚴重程度分級進一步分析全肺LAA%與肺功能指標的相關性。因此，未來研究計劃擴大吸煙患者的樣本量以進一步探索不同肺葉的LAA%與肺功能的關系。

本研究存在以下不足之處：首先，研究對象僅限于住院患者，可能無法全面代表COPD患者的整體情況，尤其是輕度和穩定期患者的特征；其次，CT掃描未包括肺活量觸發，無法完全確保影像學檢查是在最大吸氣狀態下完成；此外，本研究為單中心研究，缺乏多中心數據的支持。

本研究使用肺活量參數（FEV1、FVC和FEV1%），盡管這些指標能反映肺功能，但并不能完全說明肺氣腫的嚴重程度。未來研究需要進一步探索，將CT量化分析作為肺氣腫患者的影像學生物標志物，為疾病的臨床診斷與治療提供更可靠的支持。未來的研究方向：①進一步改進AI算法，提升對早期和輕度COPD的敏感度和特異性；②通過大樣本量、多中心的前瞻性研究驗證本研究結果的普遍性，并探索AI量化指標在疾病進展監測和治療效果評估中的應用價值；③擴大吸煙患者的樣本量，深入研究不同吸煙量和吸煙史對病變分布及其與肺功能相關性的影響，為臨床提供更加個性化的干預策略。

綜上，本研究結果表明基于AI的肺氣腫量化分析指標（LAA%）與FEV1/FVC及FEV1%具有良好的相關性。AI量化指標有助于基于CT圖像的COPD診斷與分級，為臨床早期診斷、治療及疾病管理提供新的技術支持。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1] FastStats."Centers"for"disease"control"and"prevention"（CDC）"（2020）[S]."https：//www.cdc.gov/nchs/fastats/deaths.htm.

[2] 世界衛生組織."2021年全球健康估計報告[EB/OL]."https：//www.who.int/data/gho/data/themes/mortality-and-"global-health-estimates/ghe-2021.

[3] DAI"Q，"ZHU"X，"ZHANG"J，"et"al."The"utility"of"quantitative"computed"tomography"in"cohort"studies"of"chronic"obstructive"pulmonary"disease："A"narrative"review[J]."J"Thorac"Dis，"2023，"15（10）："5784–5800.

[4] 康淑琴，"董向月，"馬娟，"等."高分辨率CT肺氣腫指標聯合血清CEA、NLR、PLR對慢性阻塞性肺疾病患者非小細胞肺癌發生風險的預測價值[J]."現代生物醫學進展，"2024，"24（14）："2785–2789.

[5] SHIMIZU"M，"MIYANAGA"A，"SEIKE"M，nbsp;et"al."The"respiratory"microbiome"associated"with"chronic"obstructive"pulmonary"disease"comorbidity"in"non-small"cell"lung"cancer[J]."Thorac"Cancer，"2022，"13（13）："1940–1947.

[6] WOODRUFF"P"G，"BARR"R"G，"BLEECKER"E，"et"al."Clinical"significance"of"symptoms"in"smokers"with"preserved"pulmonary"function[J]."N"Engl"J"Med，"2016，"374（19）："1811–1821.

[7] TOPALOVIC"M，"LAVAL"S，"AERTS"J"M，"et"al."Automated"interpretation"of"pulmonary"function"tests"in"adults"with"respiratory"complaints[J]."Respiration，"2017，"93（3）："170–178.

[8] CHOI"J"Y，"RHEE"C"K."Diagnosis"and"treatment"of"early"chronic"obstructive"lung"disease"（COPD）[J]."J"Clin"Med，"2020，"9（11）："3426–3433.

[9] THONG"L"T，"CHOU"H"S，"CHEW"H"S"J，"et"al."Diagnostictest"accuracy"of"artificial"intelligence-based"imaging"for"lung"cancernbsp;screening："A"systematic"review"and"Meta-analysis[J]."Lung"Cancer，"2023，"17（6）："4–13.

[10] STANOJEVIC"S，"WADE"A，"STOCKS"J，"et"al."ERS/ATS"technical"standard"on"interpretive"strategies"for"routine"lung"function"tests[J]."Eur"Respir"J，"2022，"60（1）："210–216.

[11] OCCHIPINTI"M，"PAOLETTI"M，"BARTHOLMAI"B"J，"et"al."Spirometric"assessment"of"emphysema"presence"and"severity"as"measured"by"quantitative"CT"and"CT-based"radiomics"in"COPD[J]."Respir"Res，"2019"，"20（1）："101–108.

[12] MADANI"A，"ZANEN"J，"DEMAERTELAER"V，"et"al."Pulmonary"emphysema："Objective"quantification"at"multi-detector"row"CT—comparison"with"macroscopic"and"microscopic"morphometry[J]."Radiology，"2006，"23（8）："1036–1043.

[13] SCHROEDER"J"D，"MCKENZIE"A"S，"ZACH"J"A，"et"al."Relationships"between"airflow"obstruction"and"quantitative"CT"measurements"of"emphysema，"air"trapping，"and"airways"in"subjects"with"and"without"chronic"obstructive"pulmonary"disease[J]."AJR"Am"J"Roentgenol，"2013，"20（1）："111–114.