第 41 章间质性肺疾病（ILD）患者的 AI 评估（Artificial Intelligence-Based Evaluation of Patients with Interstitial Lung Disease）

作者

Mario Silva, MD, PhD（通讯作者）—— Scienze Radiologiche, Department of Medicine and Surgery (DiMeC), University of Parma, Parma, Italy。
Gianluca Milanese, MD, PhD / Roberta Eufrasia Ledda, MD / Nicola Sverzellati, MD, PhD —— 同单位。
Michele Maddalo, MSc —— Servizio di Fisica Sanitaria, Azienda Ospedaliera-Universitaria di Parma。

本章位于 Part IV 胸部应用部分，承接第 40 章（COPD）后，转向间质性肺疾病（ILD）——一组以肺实质弥漫性受累为特征的异质性疾病。属于"应用 + 综述"性质的章节，重点是 AI 在 ILD 上的"组织密度 → 纹理分析 → 深度学习"三代方法学演进。Silva / Sverzellati 团队是欧洲 ILD 影像核心。

内容概述

ILD 涵盖原发与继发的多种病理实体，在 HRCT 上呈现不同放射学模式。AI 在 ILD 上的应用目标是减少观察者间差异、提取定量生物标志物、支持临床决策。本章按"组织密度 → 纹理 → DL → 临床"组织：

临床需求：ILD 异质性大、预后变异大（从"可逆"吸烟/药物相关 → "不可逆"IPF）；多学科诊断 + HRCT 随访是核心；OMERACT 框架要求影像"真实 / 区分 / 可行"。
组织密度（Densitometry）：
第一代（1980s）：从 2D 单切片 → 3D 体积 CT 密度直方图
参数：mean lung attenuation (MLA, 参考 -837.5 ~ -798 HU)、median、skewness（参考 3.5±0.5）、kurtosis（参考 18.8±4.5）、contrast、variance、entropy、fibrosis ratio
优势：简单、定量；局限：丢失空间信息（"累积密度视图"）
纹理分析（Texture）：
第二代（2000s）：二阶 / 高阶统计，捕捉形态复杂度
工作流：ROI 库 + 视觉分类（GGO、网状、蜂窝等）→ 多参数分类模型
深度学习（DL）：
第三代（2010s）：CNN 自动学特征
临床整合：HRCT 自动化评估 + 结构化报告

核心方程与概念

1. HRCT 密度直方图

健康肺密度直方图：钟形峰在 -900 ~ -850 HU（吸气末），右尾延伸至 ~ -200 HU。

ILD 中：钟形峰高度下降（kurtosis 减小）+ 右尾增厚（skewness 减小）。

Skewness（偏度）： $$\text{skew} = E\left[\left(\frac{X - \mu}{\sigma}\right)^3\right]$$

参考：健康 3.5 ± 0.5；ILD 患者降低。

Kurtosis（峰度）： $$\text{kurt} = E\left[\left(\frac{X - \mu}{\sigma}\right)^4\right] - 3$$

参考：健康 18.8 ± 4.5；ILD 患者降低（接近 0：平坦分布）。

Fibrosis ratio： $$F_{\text{ratio}} = \frac{V_{-1024 \to -500}}{V_{-1024 \to 200}}$$

参考：健康 ≥ 0.99；ILD 患者降低。

2. 纹理分析

第二阶 / 高阶统计：GLCM、GLRLM、GLDM（gray-level dependence matrix）等。在 ROI 库 + 视觉分类基础上建立多参数模型。

3. DL 在 ILD 上的应用

自动分割正常 / GGO / 网状 / 蜂窝
量化各模式比例
与视觉评分的相关性验证
风险预测（IPF 进展、CTD-ILD 反应）

4. 关键概念辨析

Densitometry vs. Texture vs. DL：第一代（累积密度）→ 第二代（空间纹理）→ 第三代（自动特征）—— 各自的代表"亚视觉信息"捕获能力。
ILD 亚型分类：IPF（UIP 模式）、CTD-ILD、结节病、HP、NSIP、DIP、AIP 等——AI 工具输出哪个分类需明确。
HRCT 自动化评估 vs. 视觉评估：自动化客观但需与视觉评分对标；视觉主观但临床金标准。
"ILD 严重度" vs. "模式分类"：AI 工具主要分两类——（a）量化严重度（纤维化比例 %）、（b）模式分类（UIP vs. NSIP vs. HP 等）。
"AI 仅辅助" 在 ILD 上的体现：ILD 病理 / 病因复杂，AI 难替代多学科诊断（radiologist + rheumatologist + pulmonologist + pathologist）。

关键结论

ILD 异质性大、放射学模式多样，AI 在 ILD 上的核心价值是减少观察者间差异、提取定量生物标志物。
HRCT 密度直方图是第一代 AI 工具：MLA、skewness、kurtosis、fibrosis ratio 等参数与 ILD 严重度相关。
密度直方图的局限是"累积密度视图"——丢失空间信息。
纹理分析第二代：二阶 / 高阶统计 + ROI 库 + 视觉分类，建立多参数分类模型。
DL 是第三代：CNN 自动学特征 + 大规模训练。
AI 在 ILD 主要分两类任务：（a）严重度量化（纤维化 %）、（b）模式分类（UIP vs. NSIP 等）。
商业化路径：HRCT 自动化分析软件 + 结构化报告。
临床整合仍需多学科诊断（AI 仅辅助）。

挑战和开放性问题

ILD 病理 / 病因异质性：AI 难替代多学科诊断。
训练数据稀缺：罕见 ILD 亚型样本少。
跨中心 / 跨扫描仪泛化：HRCT 重建核差异影响密度值。
DL 模型的"黑盒"问题：CNN 给出分类但不解释依据。
HRCT 重建参数标准化：稀疏 / 厚切片、迭代重建算法影响 AI 输出。
多任务学习的耦合：模式分类 + 严重度量化 + 风险预测联合优化是潜在方向。
法规与责任：AI 在 ILD 诊断的"医疗决策"性质需要 FDA / NMPA 监管。
临床整合路径：AI 工具集成到 PACS + 多学科诊断流程需工程 + 监管支持。
"表型 vs. 病因" 区分：UIP 模式可能见于 IPF、CTD-ILD、HP、慢性 asbestos——AI 能分类模式但难分类病因。
ILD 进展预测：纤维化进展预测对治疗决策关键，但 AI 工具多在"诊断" 而非"预测" 上。
CTD-ILD 的"特殊挑战"：CTD-ILD 病理复杂、预后变异大，AI 工具的临床价值需特异研究。
HP（hypersensitivity pneumonitis）的"模式混淆"：HP 可表现为 UIP 模式或非 UIP 模式，AI 工具难区分。

个人反思与批判性分析

作者团队的"Parma 大学" 视角：Silva / Sverzellati / Milanese 来自意大利 University of Parma——欧洲 ILD 影像重要中心。本章引用了较多"组织密度 → 纹理 → DL"的方法学论文，反映该团队的特长。
"三代 AI 工具" 的代际价值：本章组织密度（1980s）→ 纹理（2000s）→ DL（2010s+）的代际叙事——读者应意识到这是"内行专家的方法学历史回顾"，不代表"临床应用历史"。
"密度直方图已过时" 的过度简化：密度直方图仍是 ILD 严重度评估的"基线"，纹理和 DL 是补充——这与 CCTA 上"AI 替代密度" 的趋势不同。ILD 上"多代工具" 并存。
"AI 仅辅助" 在 ILD 上的合理性：ILD 的多学科诊断（radiologist + rheumatologist + pulmonologist + pathologist）模式本身就是"协同决策"——AI 在其中是"第七个专家"，而非"决策者"。
"AI 分类模式 vs. 病因" 的核心限制：UIP 模式 ≠ IPF——AI 工具多在分类模式（如 UIP / NSIP / HP），难分类病因（如 IPF / CTD-ILD / 慢性 asbestos）。这是 ILD AI 的"天花板"。
"亚视觉信息" 价值待验证：纹理分析声称能"看见人眼看不见的纹理差异"，但与"组织学" 对照研究稀缺——其"价值" 仍待长期验证。
"AI 万能" vs. "AI 仅辅助"：本章在组织密度、纹理、DL 工具上乐观（已部分商业化），在跨中心泛化、表型 vs. 病因、治疗转化上保守（仍是开放问题）。这种"该强则强、该弱则弱" 是 ILD AI 的工程现实。
ILD AI 的"代际" 现实：相比 COPD AI（已有 AI-Rad Companion 等商业工具），ILD AI 仍以"研究为主 + 部分商业原型"——这是"亚专科主题" 的 AI 进展代差。
与第 40、42-48 章的协同：本章是 ILD 主题专项，与 COPD（Ch 40）、感染（Ch 42）、肺癌（Ch 43-44）、肺血管（Ch 46）形成"胸/肺疾病 AI" 完整图景。读者通过对比可学会"AI 在不同胸/肺疾病的共性与差异"。

重要参考文献

[X1] Travis WD, Costabel U, Hansell DM, et al. An official American Thoracic Society/European Respiratory Society statement: update of the international multidisciplinary classification of the idiopathic interstitial pneumonias. Am J Respir Crit Care Med. 2013;188(6):733-48.
[X3] Walsh SLF, Calandriello L, Sverzellati N, et al. Interobserver agreement for the ATS/ERS/JRS/ALAT criteria for a UIP pattern on HRCT. Lancet Respir Med. 2016;4(2):e6.
[X4] Maldonado F, Moua T, Rajagopalan S, et al. Automated quantification of radiological patterns predicts survival in idiopathic pulmonary fibrosis. Eur Respir J. 2014;43(1):204-12.
[X5] Khanna D, Mittoo S, Aggarwal R, et al. Connective tissue disease-associated interstitial lung diseases (CTD-ILD) — report from OMERACT CTD-ILD working group. J Rheumatol. 2015;42(11):2168-71.
[X7] Revel MP, Faivre JB, Remy-Jardin M, et al. Automated lobar quantification of emphysema in patients with severe COPD. Eur Radiol. 2008;18(12):2723-30.
[X8] Sverzellati N, Calabrò E, Chetta A, et al. Visual score and quantitative CT indices in pulmonary fibrosis. J Thorac Imaging. 2015;30(6):365-72.
[X11] Best AC, Lynch AM, Bozic CM, et al. Quantitative CT indexes in idiopathic pulmonary fibrosis. Acad Radiol. 2003;10(3):288-95.
[X12] Maldonado F, Moua T, Rajagopalan S, et al. Automated quantification of radiological patterns predicts survival in idiopathic pulmonary fibrosis. Eur Respir J. 2014;43(1):204-12.
[X13] Matsuoka S, Yamashiro T, Matsushita S, et al. Quantitative CT evaluation in connective tissue disease-related interstitial lung disease. Br J Radiol. 2014;87(1039):20140238.
[X14] Wells AU. Computed tomographic imaging of fibrosing lung disease. Proc Am Thorac Soc. 2006;3(4):332-8.
[X18] Hartley PG, Galvin JR, Hunninghake GW, et al. High-resolution CT-derived measures of lung density are valid indexes of interstitial lung disease. J Appl Physiol. 1994;76(1):271-7.
[X19] Uchiyama Y, Katsuragawa S, Abe H, et al. Quantitative computerized analysis of diffuse lung disease in high-resolution computed tomography. Med Phys. 2003;30(9):2440-54.
[X22] Ash SY, Harmouche R, Ross JC, et al. The objective identification and quantification of interstitial lung abnormalities in smokers. Acad Radiol. 2017;24(8):941-7.
[X23] Ash SY, Harmouche R, Vallejo DLL, et al. Densitometric and local histogram-based analysis of computed tomography images in patients with idiopathic pulmonary fibrosis. Respir Res. 2017;18(1):45.
[X24] Rodríguez LH, Vargas PF, Tykocinski LO, et al. Pulmonary CT findings in rheumatoid arthritis. J Comput Assist Tomogr. 2004;28(3):350-65.
[X25] Sluimer I, Schilham A, Prokop M, van Ginneken B. Computer analysis of computed tomography scans of the lung: a survey. IEEE Trans Med Imaging. 2006;25(4):385-405.

第 41 章 间质性肺疾病（ILD）患者的 AI 评估（Artificial Intelligence-Based Evaluation of Patients with Interstitial Lung Disease）

作者