跳转至

第 46 章 肺血管疾病的 AI 检测（Artificial Intelligence-Based Detection of Pulmonary Vascular Disease）

作者

  • Martine Remy-Jardin, MD, PhD（通讯作者）—— Department of Thoracic Imaging, Hospital Calmette, University Lille, CHU Lille, France。
  • Jacques Remy, MD —— 同单位。

本章位于 Part IV 胸部应用部分，承接第 45 章（机会性筛查）后，转向肺血管疾病——急性 / 慢性肺栓塞的 AI 检测。属于"应用 + 综述"性质的章节，重点是 AI 在 CTA 肺血管诊断上的应用。Remy-Jardin / Remy 团队是欧洲胸部影像核心。

内容概述

AI 在肺血管疾病（主要是肺栓塞 PE）检测上的应用已从"通气-灌注扫描" 时代演进到"CT 血管造影（CTA）" 时代。本章按"急性 PE → 慢性 PE → AI 方向"组织：

  1. 历史背景：
  2. ANN 用于 V-P 扫描（PIOPED 数据库）[X4]
  3. 自动化 V-P 扫描 + 图像处理 [X8][X9]
  4. 急性 PE 诊断：
  5. 现状：CTA 是金标准，~ 10% 阳性率，工作量大
  6. Banerjee 2019 [X11] ML 风险评分优化 CTA 决策
  7. Weikert 2020 [X12] ResNet DL 检测 PE，敏感 92.7%、特异 95.5%
  8. Liu 等 [X13] U-Net 测 PE 血栓负荷
  9. Jimenez 等 [X14] 3D CNN 区分动脉 vs. 静脉
  10. Rucco 等 [X15] Neural hypernetwork 无影像数据 PE 预测
  11. 急性 PE 报告 NLP：
  12. Banerjee [X17] CNN 分类 PE 报告（PE 存在 / 急性 / 慢性 / 中央 / 亚段）
  13. CNN 准确率 99%、AUC 0.97
  14. 慢性 PE / CTEPH 诊断：
  15. 现状：诊断率低、漏诊常见
  16. AI 方向：自动化形态学特征 + 简化视图
  17. NLP 提取风险：
  18. Pham [X19] NLP + ML 检测 CTE 诊断 + 偶然发现

核心方程与概念

1. PE 风险评分

传统评分（Wells、修订 Geneva）： $\(\text{PE pre-test probability} = f(\text{symptoms, signs, risk factors})\)$

ML 增强（Banerjee [X11]）： $\(P(\text{PE}) = f_{\text{ML}}(\text{EHR longitudinal data})\)$

2. DL PE 检测（Weikert 2020, [X12]）

  • 架构：ResNet
  • 性能：敏感 92.7%、特异 95.5%
  • FP 来源：对比剂伪影、肺静脉、淋巴结
  • 应用：工作流优先级排序，PE 阳性时弹出提醒

3. U-Net 血栓负荷

Liu 等 [X13] U-Net 测 PE 血栓负荷，与 Qanadli / Mastora 评分 + 右室功能障碍指标相关。

4. 3D CNN 区分动脉 vs. 静脉（Jimenez [X14]）

  • 任务：区分肺动脉 vs. 肺静脉
  • 方法：3D CNN 从非增强 CT 学特征
  • 价值：CTA 区分动脉 / 静脉是基础，但费时易错

5. CNN PE 报告分类（Banerjee [X17]）

任务：PE 存在 / 不存在；急性 / 慢性；中央 / 亚段。 性能：准确率 99%、AUC 0.97。

6. Neural Hypernetwork 无影像数据 PE 预测（Rucco [X15]）

  • 数据：1,427 例、28 诊断特征
  • 性能：识别 94% PE 阳性
  • 价值：无影像数据 PE 风险预测

7. CTEPH / 慢性 PE 诊断的挑战

慢性 PE / CTEPH 在 CTA 上特征： - 动脉狭窄、网状（webs）、壁血栓 - 支气管肺异常：镶嵌灌注、肺梗死、支气管扩张 - 体循环侧支：扩张的支气管 / 非支气管体动脉

AI 机会：自动化形态学特征 + 简化视图

8. 关键概念辨析

  • 急性 vs. 慢性 PE：急性 PE 急性治疗（抗凝、溶栓），慢性 PE 需长期管理（CTEPH 需手术/球囊扩张）。AI 区分急性 / 慢性是关键。
  • 中央 vs. 亚段 PE：中央 PE 易识别、风险高；亚段 PE 难识别、风险低。AI 在亚段 PE 上价值更大。
  • CTA vs. V-P 扫描：CTA 是金标准（高敏感），V-P 扫描用于造影剂禁忌患者。AI 在 CTA 上应用更广。
  • "PE 检测" vs. "PE 风险预测"：检测是"看图"，风险预测是"看临床数据"——两者 AI 工具不同。
  • "PE 报告 NLP" 的"双向价值"：NLP 既可"提取" 报告信息用于研究，也可"自动生成" 报告字段——双向价值。
  • "PE 工作流优先级" 价值：在 10% 阳性率下，AI 优先级排序可帮助医生快速识别阳性病例——这是 AI 的"工作流价值"。

关键结论

  • 急性 PE 诊断 CTA 是金标准，~ 10% 阳性率，工作量大。
  • Weikert 2020 [X12] ResNet DL 检测 PE 敏感 92.7%、特异 95.5%——可加速工作流。
  • Liu 等 [X13] U-Net 测 PE 血栓负荷，与传统评分 + 右室功能障碍相关。
  • Jimenez [X14] 3D CNN 区分动脉 vs. 静脉。
  • Banerjee [X11] ML 风险评分优化 CTA 决策。
  • Banerjee [X17] CNN PE 报告分类准确率 99%、AUC 0.97。
  • Rucco [X15] Neural hypernetwork 无影像数据 PE 预测 94% 敏感。
  • 慢性 PE / CTEPH 诊断是 AI 的"未来机会"——形态学特征自动化 + 简化视图。
  • AI 在 PE 上的应用从"检测" 扩展到"风险预测 + 报告 + 慢性化区分"。
  • 商业化路径：RapidAI、Avicenna.ai、Annalise.ai 等已部分商业化。

挑战和开放性问题

  • CTA 阳性率低（~ 10%）：大量阴性扫描造成医疗资源浪费。
  • PE 漏诊的法律责任：AI 漏诊 PE 的责任不明确。
  • PE 报告 NLP 的标准化：不同医院 / 不同医生的报告格式差异大，NLP 难跨机构泛化。
  • 慢性 PE / CTEPH 漏诊：识别率低，AI 是潜在解决方案。
  • CTA 的"机会性" PE 发现：CTA 用于非 PE 适应症时偶然发现 PE，AI 是关键工具。
  • DL 模型的"黑盒" 问题：CNN 检测 PE 但难解释依据。
  • 跨中心 / 跨人群泛化：CTA 协议、扫描参数差异影响 AI 输出。
  • 临床整合路径：PACS 集成 + 优先级排序系统需工程 + 监管支持。
  • 法规与责任：AI 给出诊断的"医疗决策"性质需要 FDA / NMPA 监管。
  • "PE 检测" vs. "PE 工作流优先级"：AI 价值不仅是"检测"，更是"优先级排序"。
  • 急性 / 慢性 PE 区分：AI 需在 CTA 上同时区分急性 / 慢性 PE。
  • PE 亚段水平的检测：亚段 PE 难识别，AI 在此价值大但难度也大。
  • "无影像数据" PE 预测的临床整合：Rucco 94% 敏感的 ML 模型如何整合到临床决策？

个人反思与批判性分析

  • 作者团队的"法国 Lille 大学" 视角：Remy-Jardin / Remy 来自法国 CHU Lille——欧洲胸部影像核心。Martine Remy-Jardin 是国际胸部影像领军学者（曾任 ESR / RSNA / STR 重要职位），本章是其"AI 时代方法学综述" 的代表作品。
  • "PE 检测" vs. "PE 风险预测" 的工程价值：传统医学聚焦"看图诊断"，AI 时代扩展到"无图风险预测"（Rucco 94% 敏感）——这种"扩展" 反映了 AI 的"超越诊断" 价值。
  • "急性 vs. 慢性 PE" 区分的临床价值：急性 PE 与慢性 PE / CTEPH 治疗策略截然不同——AI 区分是临床决策的关键。Banerjee [X17] CNN 报告分类已能区分，这是 NLP 工具的"分类价值"。
  • "CTA 的'机会性' PE 发现" 的临床价值：CTA 用于非 PE 适应症时偶然发现 PE——这种"机会性 PE" 在临床上越来越常见。AI 是关键发现工具（Pham [X19]）。
  • "ResNet PE 检测" 的工程价值：Weikert 2020 [X12] ResNet 检测 PE 敏感 92.7%、特异 95.5%——这是"AI 工作流优先级排序" 的代表性成果。但需注意，FP 来源（对比剂伪影、肺静脉、淋巴结）是临床整合的"瓶颈"。
  • "NLP 报告分类" 的"双向价值"：NLP 既可"提取" 报告信息用于研究，也可"自动生成" 报告字段——双向价值。Banerjee [X17] CNN 准确率 99%、AUC 0.97 已接近人工水平。
  • "慢性 PE / CTEPH 诊断" 的"AI 机会"：慢性 PE / CTEPH 在 CTA 上特征多样（动脉狭窄、网状、壁血栓、支气管肺异常、侧支循环），AI 自动化特征提取有"真正临床价值"——但目前仍是"未来方向"。
  • "AI 仅辅助" 在 PE 检测中的体现：AI 给 PE 概率 / 优先级排序，临床决策仍需医生——这是"AI 辅助 + 医生决策" 模式。
  • "AI 万能" vs. "AI 仅辅助"：本章在 Weikert ResNet、Banerjee NLP 上乐观（已部分商业化），在慢性 PE / CTEPH 自动化、跨中心泛化、临床整合上保守（仍是开放问题）。这种"该强则强、该弱则弱" 是 PE AI 的工程现实。
  • "PE AI 商业化" 的领跑者：RapidAI、Avicenna.ai、Annalise.ai 等已部分商业化部署——这是 AI 在 PE 急诊场景的"商业化典型"。
  • 与第 34、40-45、47-48 章的协同：本章是肺血管主题专项，与 4D flow（Ch 34）、COPD（Ch 40）、ILD（Ch 41）、COVID-19（Ch 42）、肺癌（Ch 43-44）、机会性筛查（Ch 45）、主动脉（Ch 47）、颈动脉（Ch 48）形成"胸/心血管疾病 AI" 完整图景。读者通过对比可学会"AI 在不同胸/心血管疾病的共性与差异"。
  • "急性 / 慢性 PE 区分" 的"未来方向"：急性 PE 与 CTEPH 治疗策略截然不同，AI 区分是临床决策的关键，但需要在大规模多中心数据上验证。

重要参考文献

  • [X4] Tourassi GD, Floyd CE, Sostman HD, Coleman RE. Acute pulmonary embolism: artificial neural network approach for diagnosis. Radiology. 1993;189(2):555-8.
  • [X5] PIOPED Investigators. Value of the ventilation/perfusion scan in acute pulmonary embolism. Results of the prospective investigation of pulmonary embolism diagnosis (PIOPED). JAMA. 1990;263(20):2753-9.
  • [X6] Patil S, Henry JW, Rubenfire M, et al. Neural network in the clinical diagnosis of acute pulmonary embolism. Chest. 1993;104(6):1685-9.
  • [X8] Schembri GP, Miller AE, Smart R. Radiation dosimetry and safety issues in lung scintigraphy. J Nucl Med Technol. 2010;38(2):75-82.
  • [X9] Hendrickx BW, Hartmann I, Lobeek M, et al. Automated interpretation of V/Q SPECT scans. Eur J Nucl Med Mol Imaging. 2017;44(12):1995-2005.
  • [X10] Righini M, Robert-Ebadi H, Elias A, et al. Diagnosis of pulmonary embolism during pregnancy. Curr Opin Pulm Med. 2017;23(5):398-404.
  • [X11] Banerjee I, Sofela M, Chen J, et al. Machine learning for prediction of PE using longitudinal EHR data. J Med Internet Res. 2019;21(10):e13750.
  • [X12] Weikert T, Gossler A, Sperl JI, et al. A deep learning algorithm for detection of acute pulmonary embolism in CT pulmonary angiograms. Br J Radiol. 2020;93(1109):20190831.
  • [X13] Liu W, Chen S, Liang Y, et al. Pulmonary embolism clot burden quantification based on deep learning. J Thorac Imaging. 2020;35(2):92-7.
  • [X14] Jimenez M, Schwarz A, Spors J, et al. 3D CNN for artery/vein separation in chest CT. J Med Imaging (Bellingham). 2020;7(3):035001.
  • [X15] Rucco M, Sousa-Rodrigues D, Merelli E, et al. Neural hypernetwork approach for pulmonary embolism prediction. J Biomed Inform. 2017;68:106-13.
  • [X17] Banerjee I, Chen J, Banerjee A, et al. Deep learning for classification of PE severity from radiology reports. J Biomed Inform. 2019;99:103293.
  • [X18] Kilsdonk ID, de Jong PA, Overbosch J, et al. Incidental findings on chest CT. Eur Radiol. 2017;27(2):485-94.
  • [X19] Pham A, Rosenthal M, Kamboj A, et al. NLP and ML for detection of thromboembolic disease and incidental findings. J Biomed Inform. 2020;110:103558.
  • [X20] Remy-Jardin M, Ryerson CJ, Schiebler ML, et al. Imaging of pulmonary hypertension in adults: a position paper from the Fleischner Society. Radiology. 2021;298(3):531-49.
  • [X21] Remy-Jardin M, Hutt A, et al. CT features of chronic thromboembolic disease in patients with suspected acute PE. Eur Radiol. 2020;30(9):4866-76.