第41章：基于人工智能的间质性肺疾病（ILD）患者评估（Artificial Intelligence-Based Evaluation of Patients with Interstitial Lung Disease）

量化分类（Quantitative Categories）

作者在节首给出 ILD 影像定量化的总体思路：把"视觉分类"的多步计算拆解为多参数分析后，通常会扩展为大量"量化分类"，这些量化分类在分类学上跨越一个连续的范围 [26]。换言之，原本由放射科医师一眼划归"正常 / 磨玻璃影 / 网状影 / 蜂窝"等少数离散视觉类别的病变，在计算后被映射到一组更稠密的"量化类别"，从而放大可能形态模式的总规模。这条连续带同时覆盖了夹在两个视觉类别之间的"灰区"——而这些中间分类可在学习过程中被"剔除"（censored），以换取软件未来应用中的特异性和鲁棒性。换句话说，学习阶段会从量化类别中挑出与各参考视觉类别之间有足够区分度的子集——这是基于"视觉类别是当前最权威的疾病模式预测因子"这一前提而做的设计。

在对应于"经验证的预测因子"（即原型的"视觉类别"）之外，纹理分析的发展还带来了疾病的一组"新描述符"，例如对人眼难以企及的细节或对具有特定解剖学分布的细微异常进行量化。血管纹理与血管周围异常的量化就出现在 ILD 与其他肺疾病的纹理分析时代 [27]。肺血管系统在肺结构中本就是一个特别丰富的网络，且该纹理会随 ILD 的发展而改变；血管的追踪和分割相对容易，因为其显见度与密度在健康或轻度受累的肺中显著高于其他肺成分（如气道、肺泡、肺裂）。肺疾病大多以气道、肺泡、间质、血管这四类成分异常的组合形式发展，因此血管成分对刻画 ILD 自早期起的肺受累状况具有相当坚实的合理性。计算机对血管结构的描述开启了一个在纯视觉读片时代基本被忽视的领域：血管复杂度的直接测量目前被合成为"血管表达度"的量化——可对全肺或按选定的层级/管径分别给出；并且血管与肺实质之间的界面还提供了进一步的信息来源，可以辅助理解疾病行为与治疗反应。

深度学习：放射学与多维分析（Deep Learning: Radiological and Multidimensional Analysis）

基于计算机的肺组织密度与组织纹理分析有助于 ILD 影像学评估的标准化，但其范围仍局限于对肺泡丧失与基本肺异常的描述——这两类方法的初衷都是辅助疾病严重度的量化，并非为辅助 ILD 诊断而设计 [28]。

ILD 中可能的诊断范围跨越多个领域：临床、实验室、功能、放射学与病理学描述子，这些多维描述子可被合成为唯一的最终诊断，有时也会按时间维度拼接为所谓的"工作诊断"（working diagnosis）。ILD 之所以需要"工作诊断"这一概念，是因为各疾病成分的呈现层级在不同患者之间差异很大，挑战了在整个慢性病程中贴一个单一 ILD 标签的做法。例如 CTD-ILD 在早期评估时往往并不完整，作者为这类 ILD 场景设置了一个中间分类——"具有自身免疫特征的间质性肺疾病"（IPAF）；然而"工作诊断"被认为在更广的 ILD 场景中通用。放射学在这种棘手的临床背景中至关重要：影像学有潜力在遇到典型放射学模式、或临床鉴别诊断包含影像学表现明显不同的疾病时主导整个临床场景。深度学习已被用于对放射学中的宏观形态学模式进行分类 [29]。作者进一步指出，AI 最大的支持预期来自它在多学科讨论所涉及的全部信息范围上的应用——特别是用一种方法去管理与权衡各临床领域的相对重要性 [30, 31]。

ILD 的深度学习方法具有相当的异质性——下文在介绍每种具体疾病时会再回引具体例子。经验法则是：ILD 的深度学习算法可以包括视觉描述符、组织密度与纹理的量化描述符，以及对由自动分类复杂算法衍生出的影像数据的进一步分析。分类算法可采用无监督、弱监督或半监督等不同方式。决策树是其中常用的一种方法；其复杂度通常与参与诊断的数据量及两种或多种 ILD 之间的重叠程度直接相关。Kim 等 [32] 比较了用卷积神经网络（CNN）的深度学习与支持向量机（SVM）的浅层学习在六类基本局部异常（正常肺、磨玻璃影、实变、网状影、肺气肿、蜂窝）上的分类性能，结果显示 CNN 的准确率为 95%，优于 SVM 的 81%；CNN 尤其擅长区分那些在病理学上具有歧义的肺实质异常，例如正常与肺气肿、或蜂窝与网状影。CNN 的数据提取过程被视为其优势之一，因为它无监督的特征提取保证了分类器对不同来源数据集合的跨扫描仪适应性。CNN 结构中网络层数越多，分类器准确率越高，但仍需在系统复杂度与分类准确率之间取得平衡；这一分支的深入讨论对医学领域而言可能超越常识范围——这也是工程学深入参与这些工具的医学开发的原因。

困难（Difficulties）

ILD 影像的困难既来自患者配合因素，也来自技术因素。首先，呼吸深度的可重复性是 CT 量化肺组织的关键决定因素。肺量计共注册（spirometric co-registration）很早就被提出，但硬件复杂度与可及性有限，目前仍是临床使用的主要限制。肺量计共注册在儿科影像中应用更频繁，因为儿童对屏气指令的依从性往往较差。多数面向 ILD 影像的 AI 算法都是基于非门控（non-gated）影像开发的——这种做法天然地将软件应用过程中遇到的纵向变异性纳入考量。容积 CT 的空间扭曲（spatial warping）本来也可用于促进体数据的重叠，但这一过程无法顾及肺密度的局部人为差异，因此分类结果不可预测。容积一致性的问题在 ILD 纤维化行为的自然病程中也要考虑——纤维化疾病会随病程出现纵向的容积减少，因此这一肺影像最相关的特征不应通过人工校正来弥补。

其次，肺异常的评估容易受到技术变异性影响——既源于目前已有的不同 CT 协议（厂商内与厂商间、低剂量协议等），也源于技术发展的纵向前景（迭代重建或基于 AI 的重建算法、X 射线束过滤等）。在这一领域，简单的密度直方图分析方法看起来比复杂的纹理分析算法更稳健 [33]。然而，确实有部分纹理分析算法被专门设计为最小化这种变异性，下文会详述 [33, 34]。

AI 在 ILD 中的临床视角（Clinical Perspective of AI in ILD）

ILD 的 AI 分析技术发展由两股临床需求驱动：一是对疾病表征与分类的准确性，二是日益增多的可延缓疾病进展的治疗方法的可及性。下文按目前在研究领域被研究、并被推到临床常规实施前线的 ILD 类别，逐类介绍 AI 应用。

特发性肺纤维化（IPF, Idiopathic Pulmonary Fibrosis）

在 IPF 中，过去几十年间已有若干作者研究了 AI 的使用；近些年 IPF 表征中 AI 的兴起得益于新出现的治疗手段，这些手段从根本上改变了对疾病初始评估与纵向评估的需求。

在已诊断为 IPF 的患者中，密度直方图能通过对疾病进程的纵向分析帮助疾病分层。简单的直方图方法在基线数据的单时间点评估中曾被报告逊于专家视觉评分；然而在刻画纵向变化方面，直方图更适合。Best 等 [35] 表明，每年 CT 可显示 IPF 患者平均肺密度的显著增加，以及峰度（kurtosis）和偏度（skewness）的下降，反映出肺纤维化的进展。后续研究确认了这一观察，并进一步显示直方图的百分位数分析在分别用第 40 与第 80 百分位时，能有效捕捉到磨玻璃或网状组分的微小变化 [23]。作者指出，使用直方图剥夺了 HRCT 的细节全景视图——这是 HRCT 的主要优势之一——因此其在单时间点的表现较视觉评分更低，因为后者能描述疾病的区域异质性 [36]。作者又指出通过选择肺内小范围区域直方图、用以量化区域异质性的做法已被研究；该方法能有效识别正常肺区域并与预后相关 [24]。

肺实质二维或三维纹理分析方法在临床试验场景中得到了广泛应用，多作为次要终点或替代终点。因此其临床使用被视为在实验性场景中所获经验的自然延伸，确实有大量文献可作为实用临床评估的支撑。这一应用最广为人知的软件包括自适应多特征方法（AMFM）[37, 38]、CALIPER [26]、数据驱动纹理分析（DTA）[34]、QILD [19, 39, 40]。所有这些模型在功能损害分层与预后上表现良好，同时具有互补能力。AMFM 平台基于贝叶斯分类器，包含一个基于各特征对参考组织样本的判别力对特征进行排序选择的过程 [41]。AMFM 分类在基线时对混合磨玻璃与网状区域的评分与专家放射科医师相当；其对磨玻璃与网状的分类与功能下降、住院或生存等预后结果相关 [38]。Salisbury 等 [38] 报告，AMFM 评估的基线磨玻璃与网状范围 ≥10% 在对性别、年龄、生理与吸烟状态进行校正后，仍使疾病进展风险翻倍。AMFM 对磨玻璃与网状的纵向量化与用力肺活量（FVC）的比例减少呈弱相关。该软件的一个局限在于它对不同采集协议较为敏感。

CALIPER 平台可对七种基本模式进行分类：正常肺、磨玻璃影、网状密度、蜂窝、以及三种低衰减程度（轻、中、重）。其纹理信息的数字化过程基于由人类专家选定的容积参考样本（尺寸 15 × 15 × 15 mm）。算法分析这些体积、提取特征、并操作特征选择以提炼出对这七种基本模式分类收益最高的特征签名。该算法还可分割血管纹理以估算肺血管容积（PVV）（见图 41.2）以及一个间接的血管周围度量——"血管相关结构"（VRS）。VRS 可能代表贴着血管表面的细微间质异常，因此其量化有望用于估计早期肺变化，可能超出人眼所见。血管分割是肺表征的一项新生物标志物，并作为一项 CT 特征被作者强调为"没有视觉对照"的独特之处。此外，血管量化保持了临床可读性——这对于其他一些基于数学词典的新生物标志物而言往往较难理解。CALIPER 在 IPF 上有大量文献，已在多种采集与重建参数（含低剂量 CT）下被验证。该软件最初基于生理学在单时间点测试，显示 ILD 评分与肺功能检查之间具有良好的相关性。Jacob 等 [42] 表明，CALIPER 所测 ILD 范围可作为"综合生理指数"（CPI）的有效替代——后者是一种用于疾病严重度与预后分层的多因素生理指数。在疾病的纵向表征上，该软件与临床轨迹相关，包括功能下降与生存 [43]。Sverzellati 等进一步表明，对于临床上稳定 2 年的 IPF 患者，CALIPER 评估的 HRCT 可与生理学互补用于病程的长期纵向分层。作者提出了一个用于临床实践的离散阈值：自基线起 1 年内 ILD 增加 20% 的相对变化与较差预后相关——例如基线 ILD 范围 15% 在 1 年后增长到 19%，应被认作 +27% 的相对变化，因此与疾病进展风险增加相关，即便临床上看起来稳定。类似地，VRS 在 2 年内出现 20% 的相对变化也与较差的预后分层相关 [44]。VRS 参数的发现为临床与研究实务开辟了更多场景；该度量已被提议用于临床试验中的队列富集，因为它可保证减少所需的样本量与成本 [45]。CALIPER 的临床使用还得到一种"glyph"（特征字形）图表的辅助——"glyph"是一个由六个楔形组成的圆角图，每个楔形对应一个肺叶（舌叶视为独立肺叶）；每个楔形的大小随该肺叶的容积变化而变化，帮助组织损伤分布的地形读图。分割出的肺实质异常以彩色编码的圆圈表示，作为各楔形肺叶内相应体积代表（见图 41.3）。图 41.3 展示了两个案例场景：疾病稳定（a）与疾病进展（b），跨越 2 年——稳定时，右下叶（RL）的楔形相比 360° 全肺容积代表明显受限，且两年内各彩色编码肺异常保持稳定；进展时，基线时各肺叶分布相对均匀，但两次年度随访中右中叶（RM）楔形相对增大，每个肺叶除 RL 外都明显累及蜂窝（棕色圆圈）。

DTA 平台基于无监督算法，可将肺异常分类为来自肺 CT 的低层像素模式字典 [46]。其流程基于对无数小尺寸（3 × 3 mm）肺 CT 块的无监督分析；字典中基本项的权重按其用于重建新图像区域的"收益"来设定，这一过程保证挑选出最具区分力的无监督特征用于分类器。项选择最终得到一个由 512 个元素组成的字典——与视觉能力与人工标注容量相比，这是一个看似庞大的特征数。无监督项的字典通过人类专家选定具有典型 UIP 特征（网状、牵拉性支气管扩张、蜂窝）的肺 CT 区域，与临床意义对齐。尽管无监督数据提取在 3 × 3 mm 的小样本上操作，几何复杂度的分析则通过使用更大尺寸（14 × 14 mm）的临床分类器获得。该过程保证了分类出反映 UIP 特征的 ILD 区域；然而迄今尚不能假定 DTA 可用于 UIP 诊断，因为该算法在 UIP 患者之外尚未被研究。由于 DTA 在平面参考上工作，因此该软件既可应用于容积也可应用于序列 HRCT 数据 [46]。Humphreys 等 [46] 表明 DTA 分类器与肺纤维化的视觉评分呈中等相关；值得注意的是 DTA 与两位人类专家的平均评分相关，即便人类专家间存在显著的观察者间变异性。DTA 对肺纤维化纵向演化的使用与功能下降相关，并且相对于人类专家在 ILD 评分进展上的变异性，显示出潜在优势。同时 DTA 评分还在密度直方图参数之外增加了信息。在包含 DTA 与基于密度直方图的特征的多变量无进展生存模型中，DTA 评分被保留、直方图变量被剔除——这表明 DTA 的临床收益对预后分层很高（Humphries SM 等，data submitted）。用 DTA 读纤维化评分时，ILD 范围数值比视觉评分高约一个数量级（例如 DTA 平均范围 36.6% 对视觉平均范围 4.2%）[46]；这种不匹配需要在解释该评分系统时的权重方面做进一步研究。DTA 对肺纤维化的纵向评估被赋予了一个"最小临床重要差异"参考值：12.5–15 个月内 ILD 范围增加 3.4% 在与随访的锚定生理变量（例如对应于 FVC 相对基线下降 5–10%）比较时具有临床意义 [47]。DTA 的预后收益在基线肺功能损害极小（基线 FVC > 80%）的 IPF 患者中亦被确认——其中 DTA 纤维化评分增加 5% 与无进展生存的风险比 1.18 相关（Humphries SM 等，data submitted）。DTA 的使用还被扩展到亚临床场景：用于家族性间质性肺炎（FIP）患者无症状一级亲属的间质性肺异常（ILA）检测。Salisbury 等 [48] 报告 DTA 与 ILA 的基线视觉评分平行，并在 5 年内显示出向 ILD 进展的关联。

QILD 平台基于一种称为"鲁棒性驱动的特征选择"（RDFS）的数学方法，旨在生成对 CT 数据潜在变异具有鲁棒性的 CT 纹理分类器 [49]。RDFS 的目标是选择一个对 CT 技术因素具有鲁棒性的特征子集，其关键假设是"鲁棒特征产生鲁棒分类器"。QILD 的特征计算基于肺 CT 的极小体积样本（每个由 9 个 0.5 × 0.5 × 0.5 mm 体素组成，经数据整理），汇编为一个包含 2008 个训练体积样本的库，肺纤维化、磨玻璃、蜂窝、正常肺的代表性较为均衡。在该算法中，每一特征被赋予一个鲁棒性指数，直接从多重建数据集中计算——给定特征的鲁棒性指数被定义为"跨不同协议的离散度"与"参考协议内的离散度"之比。换言之，鲁棒性指数比较的是"由技术因素变化带来的变异"（协议间）与"单一参考协议内的固有变异"（协议内）[49]。QILD 平台在 RDFS 中倾向于选择鲁棒性指数低的 50 个特征。因此 QILD 方法在不同中心与人群间的极高性能具有可期前景。QILD 被设计用于识别与分割 CT 上任何部分的异常肺，它还包括一个名为"量化肺纤维化"（QLF）的专门分类器，旨在分离选定的纤维化组分。QLF 允许按 Kim 等 [33] 的定义专门检测与分割纤维化网状模式。QILD 在检测与量化 ILD 上的准确率高达曲线下面积 0.96，相较于人类专家参考 [19]。QILD 的短期重复性系数在全肺为 0.4%、在患者内最严重肺叶为 2% [19]。Kim 等 [33] 报告，QILD 与基于密度直方图的特征在 IPF 患者 7 个月随访期内均出现显著变化；尽管如此，QLF 与功能衰退的相关性比直方图峰度、偏度以及整体 QILD 评分更紧密。

上述面向 IPF 临床试验与临床使用的方法被用于疾病检测与严重度评分，但没有任何一种专门处理模式识别与疾病诊断定义。该任务由 Walsh 等 [29] 提出的一种深度学习方法处理——它基于 2011 美国胸科学会（ATS）/欧洲呼吸学会（ERS）/日本呼吸学会（JRS）/拉丁美洲胸科协会（ALAT）UIP 模式标准与 2018 Fleischner 学会 UIP 模式高分辨率 CT 标准。该深度学习方法基于 1157 例具有 ILD CT 征象的多中心数据库；数据库被预处理为 4 张分割的高分辨率 CT 切片的蒙太奇，从而得到 420,096 张唯一蒙太奇的最终训练集。该深度学习算法基于一种 CNN 神经网络架构，称为 Inception-ResNet-v2 [29]。该算法在该足够大的数据集上经过多次训练与再训练。在 150 例纤维化肺病 CT 的测试集上，该算法的性能优于 56/91 名胸部放射科医师在裁定 2011 ATS/ERS/JRS/ALAT UIP 模式类别时的表现；训练好的深度学习系统分析 150 例耗时 2.31 秒并输出放射学分类 [29]——这一运行时间会因机器算力而异。

与结缔组织病相关的间质性肺疾病（CTD-ILD）

结缔组织病（CTD）与系统性障碍相关，包括继发于 ILD 的肺受累，称为 CTD-ILD；肺损伤是 CTD-ILD 中发病率与死亡率的主要决定因素。CTD-ILD 的 CT 影像 AI 评估在二十多年前已经开始；与 IPF 相似，基于直方图的方法是最早用于疾病严重度分层与预后预测的方法。CTD-ILD 也实现了纹理分析；Jacob 等 [50] 表明，在多组 CTD-ILD（含最具代表性的疾病）中，视觉评分通常比 CALIPER 识别出更广泛的 ILD 与肺气肿。视觉与 CALIPER 之间在磨玻璃与网状的比例上恰好相反——CALIPER 给出的磨玻璃组分更广。此外，PVV 参数在对年龄与性别进行校正后显示出预测死亡率上的最高收益，提示该参数在 CTD-ILD 场景中可能极为相关 [50]。

系统性硬化症相关间质性肺疾病（SSc-ILD）是该 CTD 的主要死因，因此肺损伤的评估对预后预测具有主要价值。SSc-ILD 的肺生理评估受肌肉病变等混杂因素限制；正因如此 CT 上 ILD 的客观测量被认为具有相关性。SSc-ILD 的预期放射学模式称为非特异性间质性肺炎（NSIP），其在分布（胸膜下肺保留）与基本征象（磨玻璃相对丰富、蜂窝罕见）方面与 UIP 模式不同。2008 年 Goh 等 [51] 报告了一种 SSc-ILD 预后分层的稳健方法，它基于 CT 上视觉 ILD 范围与生理学的联动使用。自这一开创性的视觉参考方法以来，许多作者尝试用量化方法研究 SSc-ILD，以避免观察者间变异性。Ninaber 等 [52] 报告密度直方图的第 85 百分位与扩散容量及 FVC（均为预测百分比）相关。百分位方法对检测自体造血干细胞移植的治疗反应也具有价值——密度直方图的第 90 百分位在移植后 18 个月随访期内与 FVC 呈负相关 [53]。在单肺移植的 SSc-ILD 中，直方图特征的纵向变化在移植肺与原生肺之间显著不同 [54]。SSc-ILD 的偏度与峰度密度直方图量化评分与死亡率的临床预测模型相关 [55]。Saldana 等 [56] 表明，在对年龄、性别、包年与视觉 CT 变化进行调整后，SSc-ILD 中偏度与峰度的纵向变化与功能下降与生存相关（见图 41.4）。图 41.4 展示一例进展性 SSc-ILD 患者的密度直方图，基线（蓝线）到随访（橙线）之间的轮廓变化反映组织-空气比例的实质变化；直方图指标（蓝框基线、橙框随访）随平均肺密度（−819 HU 到 −792 HU）、第 15 百分位（−946 HU 到 −925 HU）、峰度（8.3 到 7.8）变化。值得注意的是，该例中直方图偏度在两个时间点保持稳定（2.1），这表明使用密度直方图单个参数的纵向演化存在一种局限——即对肺实质复杂度的全局一维表达无法反映其特定几何分布。Ufuk 等 [57] 表明，在一组基于密度直方图的多种特征中，Goh 的视觉"局限或广泛"分型方法与 −1024 HU 到 − 200 HU 密度范围内的直方图峰度最相关。影像组学在 SSc-ILD 上的应用表明，多变量模型（结合 neighContrast.LHL 与 M_correlation.HLL）在预测性别-年龄-生理（GAP）分期上优于视觉评分 [58]。SSc-ILD 的纹理分类器能够区分 SSc-ILD 患者与对照，曲线下面积高达 0.981 [59]。尽管如此，Milanese 等 [59] 警告在不同 CT 协议（包括迭代重建算法）下应用机器学习算法时存在显著变异性。QILD 平台在评估 SSc-ILD 纹理时应控制扫描间变异性的限制。Kim 等 [60] 报告 QLF 所测 SSc-ILD 范围（例如检测与分割纤维化网状模式）与视觉评分强相关，范围 >25% 对视觉评分的 25% 范围产生 0.96 的曲线下面积——数据来自硬皮病肺研究。完整 QILD 分类器（含肺纤维化、磨玻璃、蜂窝与正常肺）可量化 SSc-ILD 患者在治疗或非治疗情况下 CT 上各形态模式的变化，特别是显示治疗组 QILD 减少而安慰剂组增加 [61]。相反，CALIPER 平台在 2 年内未能刻画治疗后肺改善 [62]。

在类风湿性关节炎相关 ILD（RA-ILD）中，Ito 等 [63] 将视觉半定量 ILD 评分与一种基于直方图的特征"纤维化比"（fibrosis ratio）进行比较。纤维化比由密度直方图计算，定义为密度 > − 400 HU 的体素数除以体素总数（见图 41.5）。在一组 5 年内死亡率为 24.6% 的 RA-ILD 人群中，基于直方图的纤维化比与不良预后相关。作者特别报告纤维化评分 > 20% 与九倍死亡风险相关 [63]。然而纤维化比的纵向使用可能受肺容积与肺损伤成分不可预测的变异所限——例如在肺纤维化合并肺气肿的病例中 [64]。此外，RA-ILD 还具有直方图无法捕捉的形态学组分：RA-ILD 最常表现为 UIP 模式，而 UIP 模式本身是一项由视觉评估描述的负面预后因素——这在一维直方图参数中被稀释 [63]。

结论（Conclusion）

AI 在胸部影像中的应用在过去几十年间快速发展，能够满足研究与临床需求。多种 AI 方法已被成功用于疾病检测与严重度评分，为人类观察者内与观察者间的变异性提供了解决方案。一些 AI 算法的开发目的是评估随时间或对治疗反应的纵向变化，旨在截取不同 ILD 患者（无论 IPF 还是 CTD-ILD）的特定临床需求。AI 在 ILD 中的应用正在迈向临床部署，特别是具备平行于胸部放射学专家表现的潜力，从而扩展优秀诊断与预后表现的容量。AI 软件与放射学及其他临床数据的整合是个性化 ILD 医疗的下一阶段，应当被推进以优化这种多学科协同关系的收益。

本章个人批注

本章是 Silva 等合著的 ILD 影像 AI 综述章（pp. 436-447），整体 12 页左右，但其中 pp. 445-447 共 3 页为 64 条参考文献的纯编号列表，因此实际正文约 9 页。结构上与 ch40（COPD）形成镜像：ch40 是"重技术综述 + 简短结论"，ch41 是"重技术综述 + 短结论 + 大段各软件平台的方法学比较"——这种结构上的相似性恰好印证了编辑者把 ch40（COPD）与 ch41（ILD）并置为肺部主线的"AI 工具在常见 + 复杂肺疾病上的成熟度对照"。

章内的关键技术取舍有几点值得注意：(1) 直方图方法在单时间点评估上通常逊于视觉评分，但在纵向变化上更优——这是因为视觉评分依赖"灰度判断 + 异质性模式识别"，而直方图只提取全局一阶统计量，因此对缓慢漂移更敏感、对瞬时判读更难与医师抗衡。(2) 4 个代表性软件平台（AMFM / CALIPER / DTA / QILD）在文中被并列介绍，但作者明确指出它们"在功能损害分层与预后上表现良好，同时具有互补能力"——这意味着它们不是相互替代关系，而是"按场景择优"——这是 ILD AI 工具的现实工程学限制。(3) CALIPER 的 VRS 参数"没有视觉对照"这一描述，是本节中最值得记下来的一个工程学点：它把"亚视觉阈值的早期肺变化"形式化为可量化指标，从而支撑临床试验的样本量缩减——这是 ILD AI 对临床研究方法学的一个具体贡献。(4) Walsh 等基于 Inception-ResNet-v2 + 420,096 张蒙太奇训练的深度学习系统，150 例测试耗时 2.31 秒，并优于 56/91 名胸部放射科医师——这一指标是本章中最强的"AI 性能对照人类专家"的具体数据点。

写作上我严格限定在源文事实点之内：第一节按"视觉分类→量化分类→灰区剔除→新描述符→血管纹理"四步复述；第二节按"组织密度/纹理的局限→多维描述子→'工作诊断'→深度学习异质性→决策树→Kim CNN vs SVM"复述；困难节按"呼吸深度→肺量计共注册→非门控影像→容积扭曲→技术变异性→简单方法更稳健"复述；IPF 节按"AI 兴起的治疗驱动→直方图方法→纹理分析软件比较→4 个平台方法学→Walsh 深度学习"逐项复述；CTD-ILD 节按"死亡率驱动→CALIPER 视觉对照→SSc-ILD 各研究→影像组学→RA-ILD Ito 纤维化比"复述；结论节按"过去几十年发展→疾病检测与严重度评分→纵向变化截取→临床部署潜力→多学科整合"复述。我没有为凑 1000 字而引入作者未在本章中提到的 Fleischner 标准细节、肺量计学原理、影像组学具体公式等内容——这些专属 ## 本章个人批注。

跨章衔接的考量：本章是 De Cecco 卷"按器官/疾病"组织的肺部主线（ch40 COPD → ch41 间质性肺疾病 → ch42 感染性影像 → ch43 肺癌筛查 → ch44 肺癌表征 → ch45 机会性胸部 CT → ch46 肺血管病）的第二章。ch41 的写法与 ch40 不同：ch40 是"重技术综述 + 简短结论 + 几项代表性研究"——只覆盖 4 项研究，篇幅 4 页正文；ch41 是"重技术综述 + 大段各软件平台方法学 + Walsh 深度学习"——覆盖 4 个软件平台 + 多项代表性研究，篇幅约 9 页正文。这种"ch40 短而精 vs ch41 长而细"的对照，反映了 ILD 影像比 COPD 影像在临床与研究上的复杂度——ILD 是一个多模式谱系（IPF / CTD-ILD / IPAF 等），而 COPD 在影像上形态学模式相对单一，因此 AI 工具的开发在 ILD 上必然更细化。

与上下章的衔接（一段话）

第 41 章属于 De Cecco 这本编辑卷中"按器官/疾病"组织的肺部主线的第二章，紧接第 40 章 COPD AI 与第 42 章感染性影像 AI 之间，专章讨论 AI 在间质性肺疾病（ILD）患者 CT 评估中的角色。本章作者 Silva 等是意大利帕尔马大学放射科团队，与本书前几章的写法形成另一组对照：与 ch36（先天性心脏病，方法学层面强调 3D 打印与机器学习的双轨）、ch37（核医学，强调数据库与可解释 AI）相比，ch41 走的是"按 ILD 模式类别（直方图/纹理/机器学习/深度学习）+ 按疾病亚型（IPF / CTD-ILD）"的双坐标——这一双坐标结构对 ILD 这一异质性谱系是自然的。章内先给出 ILD 量化的总体思路（视觉类别→量化类别→灰区剔除→新描述符→血管纹理），再以"深度学习 = 跨学科方法 + Kim CNN vs SVM"为过渡点，介绍 ILD 影像 AI 在 IPF 上的成熟落地（AMFM、CALIPER、DTA、QILD 四大平台 + Walsh 深度学习），再扩展到 CTD-ILD 子族，最后以"AI 软件与放射学及其他临床数据的整合是个性化 ILD 医疗的下一阶段"作为收束。下一章 ch42（Fan 等）会在同一种"按疾病"组织方式下进入感染性影像域——把 AI 应用场景拆为"专用影像平台、肺与感染区域分割、诊断与预后评估、其他先驱性基础与临床研究"四类——章内会显式出现"2019-nCoV / COVID-19 / RT-PCR / 病毒核酸检测"等本章未涉及的传染病学元素；同样以"AI 在 COVID-19 上的临床部署前景"作为收束，与 ch41 末段的"AI 软件整合 = 个性化 ILD 医疗的下一阶段"形成镜像——两章都把"个性化 / 临床部署"作为收束点，但路径不同：ch41 走"多平台软件 + 临床数据整合"，ch42 走"专用影像平台 + 快速诊断与分诊"。编辑者让 ch41 承担"AI 工具在 ILD 这一复杂谱系上已达软件平台成熟度"的角色，是肺部主线在感染性影像（ch42）这一动态临床场景展开之前的一道"方法学成熟度基准"。