跳转至

第 40 章 慢性阻塞性肺疾病（COPD）患者的 AI 评估（Artificial Intelligence-Based Evaluation of Patients with Chronic Obstructive Pulmonary Disease (COPD)）

作者

  • Josua A. Decker, MD —— Division of Cardiovascular Imaging, Medical University of South Carolina, Charleston, SC, USA；University Hospital Augsburg, Germany。
  • Tilman Emrich, MD —— 同单位；University Medical Center of the Johannes Gutenberg University Mainz；German Centre for Cardiovascular Research (DZHK)。
  • U. Joseph Schoepf, MD / Akos Varga-Szemes, MD, PhD（通讯作者）—— 同单位。
  • Dhiraj Baruah, MD / Jeremy R. Burt, MD —— Division of Thoracic Imaging, Medical University of South Carolina。

本章位于 Part IV 胸部应用部分的开篇，承接 Part III 心脏应用后，转向胸部影像主题，从 COPD 开始。属于"应用 + 综述"性质的章节，重点是 QCT（定量 CT）在 COPD 上的 AI 应用。Schoepf 团队是国际心血管 + 胸部 CT 重要中心。

内容概述

COPD 是全球第三大死因，2017 年 320 万人死亡。本章按"流行病学 → 病理生理 → 诊断 → CT 评估 → QCT → ML 评估 → DL 评估 → 限制"组织：

  1. 流行病学：2.3% 全球患病率，美国 6.3%；2010→2020 美国年支出 $32.1B → $49B。
  2. 病理生理：慢性支气管炎 + 肺气肿 + 慢性呼衰，统称 COPD；不可逆气道阻塞 + 肺实质破坏。
  3. 诊断：肺量计 FEV1/FVC < 0.7 → Tiffeneau 阳性；GOLD A–D 分级。
  4. CT 评估：识别结构变化、鉴别诊断、临床表型。
  5. QCT 定量：低衰减肺体积（LAV）阈值 -910 HU（轻度）、-950 HU（重度）；LAA% 与 FEV1 显著相关。
  6. ML 评估：
  7. Ginsburg 等 [X64] 纹理分类正常 / 小叶中心结节 / 小叶中心气肿。
  8. Lafata 等 [X65] 影像组学评估肺功能。
  9. Castaldi 等 [X66] 不同气肿模式（GOLD 分期）。
  10. Binder 等 [X67] 无监督学习气肿亚型。
  11. Zulueta-Coarasa 等 [X68] 流形学习气肿分类。
  12. Peng 等 [X69] 多尺度 CNN 气肿分类 92.7% 准确率。
  13. Westcott 等 [X70] CT 纹理 → 通气图（hyperpolarized 3He MRI）。
  14. DL 评估：
  15. Gonzales 2018 [X77] COPDGene 7,983 例 + ECLIPSE 1,672 例外部验证，COPD 检测 AUC 0.856。
  16. Humphries 2019 [X80] CNN + LSTM 分类 Fleischner 气肿分级，COPDGene 7,143 + ECLIPSE 1,962。
  17. Tang 2020 [X82] 三个深度残差网络，PanCan 训练 + ECLIPSE 2,153 验证，AUC 0.889。
  18. 商业化：
  19. AI-Rad Companion Chest CT（Siemens）[X72] DI2IN / CIN 网络 10,000+ CT 训练，气肿自动化 ICC 1.0。
  20. Imbio LDA（Imbio）LDA 报告低密度区分布。

核心方程与概念

1. COPD 诊断金标准

Tiffeneau 指数（TI）： $\(\text{TI} = \frac{\text{FEV}_1}{\text{FVC}} < 0.7 \iff \text{阻塞性肺病}\)$

GOLD 分级（基于 FEV1% 预测值）： - GOLD A: ≥ 80% - GOLD B: 50–79% - GOLD C: 30–49% - GOLD D: < 30%

2. QCT 肺密度

低衰减肺体积（LAV）阈值： - 轻度气肿：-910 HU - 重度气肿：-950 HU

LAV 比例： $\(\text{LAV}\% = \frac{V_{\text{LAV}}}{V_{\text{total lung}}} \times 100\%\)$

LAV% 与 FEV1 显著相关（Schroeder 2010 [X55]），可作为 CT 替代肺量计的指标。

3. ML 在 COPD 上的应用

研究 数据规模 方法 任务 性能
Ginsburg [X64] - 纹理分类 正常/CLN/CLE 区分
Lafata [X65] - 影像组学 肺功能 关联
Castaldi [X66] COPDGene ML 气肿模式 GOLD 分期
Binder [X67] COPDGene 无监督 气肿亚型 临床关联
Zulueta-Coarasa [X68] - 流形学习 气肿分类 视觉一致
Peng [X69] - 多尺度 CNN 气肿分类 92.7% 准确率
Westcott [X70] - Q-SVM CT → 通气图 关联 3He MRI

4. CNN COPD 检测（Gonzales 2018, [X77]）

  • 训练：COPDGene 7,983 例
  • 测试：COPDGene 1,000 + ECLIPSE 1,672（外部验证）
  • 任务：GOLD 分级 + 急性呼吸事件 + 死亡率
  • 性能：AUC 0.856；阶段内准确率 51.1% / 29.4%；±1 阶段 75% / 74.6%

5. CNN + LSTM Fleischner 分类（Humphries 2019, [X80]）

  • 训练：COPDGene 2,407
  • 测试：COPDGene 7,143 + ECLIPSE 1,962
  • 任务：Fleischner 气肿分级（trace、mild、moderate、confluent、advanced destructive）
  • 性能：与临床参数 + 死亡率相关

6. 残差网络（Tang 2020, [X82]）

  • 训练：PanCan 2,153
  • 测试：ECLIPSE 2,153（外部验证）
  • 性能：最佳 AUC 0.889

7. 商业工具

AI-Rad Companion Chest CT（Siemens, Fischer 2020 [X72]）： - DI2IN（deep image-to-image network）/ CIN（convolution image-to-image network） - 训练：>10,000 CT - 性能：气肿自动化 ICC 1.0，与 GOLD / TI 显著相关

Imbio LDA：LDA 报告低密度区分布。

8. 关键概念辨析

  • 气肿亚型：paraseptal、panlobular、centrilobular——视觉可分，AI 自动化分类可减少观察者间差异。
  • QCT vs. 视觉评估：QCT 客观、可重复；视觉评估主观、依赖经验。
  • CT vs. 肺量计：CT 可识别"肺量计阴性"早期 COPD（特别是 apical emphysema）；传统肺量计可能漏诊。
  • COPDGene vs. ECLIPSE 队列：COPDGene 是美国大型多中心（>10,000 例），ECLIPSE 是欧洲多中心（>2,000 例），是 COPD AI 训练的标准数据集。
  • AI 工具的训练偏差：现有模型多在"已知 COPD 患者"上训练，难直接迁移到一般人群筛查。
  • Fleischner 2015 气肿分级系统 vs. GOLD 分级：前者基于 CT 视觉，后者基于肺量计——两个系统在 AI 工具中常混合使用。
  • ICC 1.0 的"完美可重复性"：AI-Rad Companion 报告 test-retest ICC 1.0——这是"算法确定性"而非"准确性"，临床使用仍需 gold standard 对照。
  • DL 模型的"黑盒"问题：CNN 给出 COPD 分级但不告诉医生"看到了什么"，临床接受度受限。
  • 商业化 vs. 学术研究：AI-Rad Companion、Imbio LDA 已是商业产品；COPDGene / ECLIPSE 等学术研究的工具多停留在研究阶段。

关键结论

  • COPD 是全球第三大死因，QCT 定量 LAV% 与肺量计 FEV1 显著相关。
  • QCT 阈值 -910 / -950 HU 是国际共识，可定量气肿。
  • ML 影像组学：Castaldi [X66] 区分气肿模式、Binder [X67] 无监督亚型、Peng [X69] 多尺度 CNN 92.7% 准确率。
  • Westcott [X70] Q-SVM 把 CT 纹理映射为 3He MRI 通气图——CT 替代昂贵 MRI 通气成像。
  • Gonzales 2018 [X77] COPDGene 7,983 例训练 CNN，AUC 0.856，外部验证 ECLIPSE 1,672 例。
  • Humphries 2019 [X80] CNN + LSTM 分类 Fleischner 气肿分级，COPDGene + ECLIPSE 跨中心验证。
  • Tang 2020 [X82] 三个深度残差网络，PanCan + ECLIPSE 外部验证 AUC 0.889。
  • 商业工具：AI-Rad Companion Chest CT（Siemens）DI2IN / CIN 网络 10,000+ CT 训练，ICC 1.0；Imbio LDA。
  • AI 加速 QCT 自动化 + 多中心外部验证是 COPD AI 落地的关键。
  • AI 在"早期 COPD 筛查"（"肺量计阴性"但 CT 阳性）有独特价值。

挑战和开放性问题

  • 跨扫描仪 / 跨中心泛化：QCT 阈值依赖 CT 重建核、剂量，跨厂商 / 跨中心泛化难。
  • 多中心数据异质性：COPDGene、ECLIPSE、PanCan 等队列入组标准、扫描参数差异，跨队列泛化有限。
  • AI 工具的"训练偏差"：训练数据来自"已知 COPD"，难直接用于一般人群筛查。
  • GOLD vs. Fleischner 分级的不一致：两个系统的对应关系不完全清楚，AI 工具输出哪个分级需明确。
  • AI 工具的"黑盒"问题：CNN 给出气肿分级但不解释依据，临床医生接受度低。
  • 多任务学习的耦合：气肿分类 + 定量 + 风险预测联合优化是潜在方向。
  • 法规与责任：AI 工具给出 COPD 诊断的"医疗决策"性质需要 FDA / NMPA 严格监管。
  • 临床整合路径：AI 工具需要集成到 PACS / 工作站，工程 + 监管环节需大量工作。
  • CT vs. 肺量计的角色定位：AI 时代 CT 能否替代肺量计？目前仍是辅助而非替代。
  • "incidental COPD" 筛查的伦理：非 COPD 检查的 CT（如肺癌筛查）发现"肺量计阴性 COPD"——如何处理？是否需要告知患者、进一步检查？
  • COPD 治疗的"表型特异"：AI 识别的气肿亚型能否指导治疗（如某些亚组用支扩剂、某些用吸入激素）？证据稀缺。
  • AI 在"COPD 急性加重" 预测的能力：现有模型多在"稳定期 COPD" 训练，急性加重预测模型稀缺。
  • 多模态融合：CT + 肺功能 + 临床 + 基因组联合推理的真正价值未充分挖掘。

个人反思与批判性分析

  • 作者团队的"跨大西洋合作"：Decker / Emrich 来自德国（Augsburg / Mainz），Schoepf / Varga-Szemes / Baruah / Burt 来自美国（MUSC, Charleston）——这是经典的"德国 + 美国" 跨大西洋合作视角。Schoepf 团队是国际心血管 + 胸部 CT 的"高产"中心。
  • COPDGene / ECLIPSE / PanCan "三巨头" 队列的价值：本章的 DL 工作几乎都基于这三大队列（美国 + 欧洲）——这是 COPD AI 研究的"基础设施"。读者应意识到这些队列是 COPD AI 进步的"基石"，但亚洲人群（中国 COPD 患者占全球 ~ 25%）的数据代表性不足。
  • "QCT 阈值 -910 / -950 HU"的国际共识 vs. 厂商差异：阈值是 1990s-2000s 病理学验证结果，但不同厂商 CT 重建核、迭代重建算法可能改变 HU 值——这是 QCT 标准化的"灰区"。
  • AI-Rad Companion "ICC 1.0" 的解读：ICC 1.0 意味着"重复扫描结果完全一致"——这是算法的确定性而非"准确性"。临床使用仍需与肺量计对标。
  • "Fleischner vs. GOLD" 分级的"AI 工具挑战"：两个分级系统并存，AI 工具输出哪个？作者未明确讨论——这是临床落地的"标准不统一"问题。
  • "CT 替代肺量计"的伦理 / 法规风险：CT 比肺量计贵、有辐射。在 AI 时代用 CT 替代简单肺量计筛查可能"过度医疗化"——需谨慎权衡。
  • "AI 在 COPD 上的研究 vs. 落地"代差：相比心脏 CT（HeartFlow 已商业化）、CMR AI（部分商业化），COPD AI 仍以"研究为主 + 少数商业工具（AI-Rad Companion）"——这是"非主流" 主题的 AI 进展代差。
  • "COPD 急性加重"预测的稀缺：现有 DL 模型多在"稳定期 COPD" 训练，急性加重（exacerbation）预测对临床决策更关键——这是 COPD AI 的"真正临床价值" 所在。
  • "AI 万能" vs. "AI 仅辅助"：本章在 QCT 自动化、CNN GOLD 分类、影像组学表型上乐观（已部分商业化），在 COPD 治疗转化、跨人群泛化、急性加重预测上保守（仍是开放问题）。这种"该强则强、该弱则弱"是 COPD AI 的工程现实。
  • "老牌" vs. "新潮" 代际差异：传统肺量计（1970s 普及）、GOLD 分级（2001）有 20+ 年临床验证；COPD AI（2018+ 起步）临床落地仍需"代际时间"。
  • 与第 41-48 章的协同：本章是胸部应用的开篇（COPD），后续章节将覆盖 ILD（Ch 41）、感染（Ch 42）、肺癌筛查（Ch 43-44）、机会性筛查（Ch 45）、肺血管（Ch 46）、主动脉（Ch 47）、颈动脉（Ch 48）。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"。

重要参考文献

  • [X1] GBD 2017 Causes of Death Collaborators. Global, regional, and national age-sex-specific mortality for 282 causes of death in 195 countries and territories, 1980-2017. Lancet. 2018;392(10159):1736-88.
  • [X5] Ford ES, Croft JB, Mannino DM, et al. COPD surveillance—United States, 1999–2011. Chest. 2013;144(1):284-305.
  • [X10] Martinez FJ, Han MK, Allinson JP, et al. Current controversies in COPD: imaging, phenotyping, and early detection. Radiology. 2018;289(1):33-49.
  • [X18] Vogelmeier CF, Criner GJ, Martinez FJ, et al. 2017 GOLD report: global strategy for the diagnosis, management, and prevention of COPD. Am J Respir Crit Care Med. 2017;195(5):557-82.
  • [X40] Gevenois PA, De Vuyst P, de Maertelaer V, et al. Comparison of computed density and microscopic morphometry in pulmonary emphysema. Am J Respir Crit Care Med. 1996;154(1):187-92.
  • [X55] Schroeder JD, McKenzie AS, Zach JA, et al. Relationships between airflow obstruction and quantitative CT measurements of emphysema, air trapping, and airways in subjects with and without COPD. AJR Am J Roentgenol. 2015;204(3):553-60.
  • [X56] Akira M, Toyokawa N, Inoue Y, et al. Quantitative CT in chronic obstructive pulmonary disease. J Comput Assist Tomogr. 2009;33(5):753-8.
  • [X64] Ginsburg SB, Lynch DA, Bowler RP, et al. Automated texture-based quantification of centrilobular nodularity and centrilobular emphysema in chest CT images. Acad Radiol. 2016;23(11):1370-9.
  • [X65] Lafata KJ, Zhou Z, Liu JG, et al. An exploratory radiomics approach to quantifying pulmonary function in chest CT images. Sci Rep. 2019;9(1):11509.
  • [X66] Castaldi PJ, Boueiz A, Yun J, et al. Machine learning characterization of COPD subtypes. Chest. 2020;157(5):1147-57.
  • [X67] Binder P, Batmanghelich NK, Estepar RSJ, et al. Unsupervised discovery of emphysema subtypes in a large clinical cohort. Mach Learn Med Imaging. 2016;10019:180-7.
  • [X68] Zulueta-Coarasa T, Kurugol S, Ross JC, et al. Emphysema classification using manifold learning on diffusion MRI. IEEE Trans Med Imaging. 2018;37(5):1113-23.
  • [X69] Peng L, Zhang L, Yang Y, et al. Multi-scale deep convolutional neural networks for emphysema classification. J Med Syst. 2019;43(7):205.
  • [X70] Westcott A, Capaldi DPI, McCormack DG, et al. Chronic obstructive pulmonary disease: thoracic CT texture analysis. Radiology. 2016;279(2):497-507.
  • [X72] Fischer AM, Varga-Szemes A, Martin SS, et al. Artificial intelligence-based fully automated per lobe segmentation and emphysema-quantification on CT. Eur Radiol. 2020;30(7):3853-63.
  • [X77] Gonzalez G, Ash SY, Vegas-Sanchez-Ferrero G, et al. Disease staging and prognosis in smokers using deep learning in chest CT images. Nat Med. 2018;24(11):1669-74.
  • [X78] Regan EA, Hokanson JE, Murphy JR, et al. Genetic epidemiology of COPD (COPDGene) study design. COPD. 2010;7(1):32-43.
  • [X79] Vestbo J, Anderson W, Coxson HO, et al. Evaluation of COPD Longitudinally to Identify Predictive Surrogate End-points (ECLIPSE). Eur Respir J. 2008;31(4):869-73.
  • [X80] Humphries SM, Notary AM, Centeno JP, et al. Deep learning enables automatic classification of emphysema pattern at CT. Radiology. 2020;294(2):434-44.
  • [X82] Tang LYW, Coxson HO, Lam S, et al. Towards large-scale automated detection of COPD using deep learning. Radiology. 2020;297(1):182-92.