第46章：基于人工智能的肺血管疾病检测（Artificial Intelligence-Based Detection of Pulmonary Vascular Disease）

AI Applied to Acute PE Reports

肺栓塞（pulmonary embolism, PE）是一种缺乏特异性临床变量的疾病，临床医师需要依据指南收集临床变量以估计 PE 的可能性。Rucco 等人在一项近期研究中利用 1427 名急诊科初次筛查时被认为有 PE 风险者的 28 项诊断特征数据，结合这些人最终是否发展为 PE 的结局，开发出一种基于 Q 分析与机器学习组合而成的"神经超网络"（neural hypernetwork），用于不依赖影像分析的 PE 识别。该系统对最终发生 PE 的患者实现了 94% 的识别率[15]。

医学影像报告中含有大量以自由文本叙述形式存在的诊断信息，这种非结构化的形式使自动化分析难以直接利用。若能将自由文本转化为计算机可管理的表示，则可在多种需要自动信息提取的场景中加以利用。卷积神经网络（CNN）在视觉物体识别与语音识别任务上已被证明有效，由于其不依赖基于词典的库、语法特征定义、概念码、句子级标注或预定义术语，因而有望成为自由文本标注的有力工具，且能避开传统自然语言处理方法的不足[16]。Banerjee 等人评估了一种深度学习方法，用于将自由文本放射学报告分类为与 PE 诊断相关的几个维度——"PE 存在/不存在"、"PE 急性/慢性"以及"PE 中心性/仅亚段性"[17]。他们发现，与目前最先进的基于规则的方法相比，该方法保真度高，且在不同机构间具备可推广性。同一团队的另一项研究将一个深度学习 CNN 模型与传统自然语言处理模型进行了比较，从两个机构胸部 CT 报告中抽取 PE 检出信息[16]。在增强胸部 CT 报告中，CNN 模型判定 PE 是否存在的准确率达 99%，曲线下面积（AUC）为 0.97。作者指出，这些技术可使放射学文本中宝贵的诊断信息在大规模层面得以利用，从而服务于多种用途，包括评估影像使用情况、嵌入临床决策支持模型、预测结局，以及作为评估开单医师影像产出率的有力工具。此类信息可在大规模回顾性研究与聚焦性临床应用之间架起桥梁。

另一项在急诊科开展的研究显示，以诊断 PE 为目的而开具的胸部 CTA 中偶然瘤（incidentaloma）的估计患病率为 24%（141/589），而真正的 PE 患病率仅 9%（5/589）[18]。Pham 等人评估了自然语言处理与机器学习相结合的方法用于检出血栓栓塞性疾病诊断及临床上相关的偶然发现[19]。构建能够识别偶然发现的文本处理流水线将有助于临床医师开展流行病学监测。

AI in the Detection of Chronic Thromboembolic Disease — Current Needs

在慢性血栓栓塞性疾病（无论是否合并肺动脉高压）患者 CT 影像判读方面，放射学界存在巨大知识缺口，主要原因是普遍错误地认为该疾病过于复杂、难以描绘[20]。这种观念需要被澄清——事实上，慢性 PE 可以通过纵隔窗与肺窗图像进行相对直接的判读，其依据包括三类征象：肺动脉慢性阻塞的血管征（如动脉狭窄、血管网、血管壁血栓），同时存在的支气管肺实质异常（如马赛克灌注、肺梗死后遗症、支气管扩张），以及系统性侧支供血（如扩张的体循环支气管动脉和/或非支气管性体动脉）（Fig. 46.3）。这一丰富的征象体系并未被放射科医生充分利用，临床医师对其也不熟悉，两方面原因共同导致了临床上对使用 CTA 诊断慢性血栓栓塞性疾病（CTED）和/或慢性血栓栓塞性肺动脉高压（CTEPH）的持续抵触。还需强调的是，慢性 PE 也可在疑诊急性 PE 的情境中被识别[21]。放射科医生应注意在新鲜血栓背景上叠加的慢性阻塞征象，以避免延误对肺循环不可逆异常的诊断（Fig. 46.4）。

AI in the Detection of Chronic Thromboembolic Disease — Directions for AI-Driven Automated Depiction of Chronic Pulmonary Artery Obstruction

在检出慢性 PE 或评估 CTEPH 时，CT 判读需要对动脉分支进行细致而耗时的分析，以完整描述上述各类异常。在这两种场景下，针对形态学特征的自动化分析以及对肺动脉树的简化呈现将尤为有用。提示慢性 PE 存在的 CT 特征清单近期已被系统列出[20]。Ende-Verhaar 等人研究表明，标准化放射学参数中若具备六项中的三项或更多（包括血管内网、肺动脉回缩或扩张、支气管动脉扩张、右心室肥厚、室间隔变平），则对 CTEPH 的诊断具有高特异性[21]。在 CTEPH 的术前评估中，AI 方法不仅要涵盖所有分支中近端血栓的范围，以用于肺动脉血栓内膜剥脱术前的病变定位，还要涵盖球囊肺血管成形术前的局灶性狭窄与血管网的位置。目前已有若干 AI 驱动的工具正在研发之中。

AI in the Diagnostic Approach of Pulmonary Hypertension — Current Context

肺动脉高压（pulmonary hypertension, PH）可由肺实质、心源性、血栓栓塞性及其他疾病引起，通常在 PH 专家中心进行评估。对升高的肺动脉压力的描绘、PH 病因的查找以及最佳治疗方案的选择均需要多学科讨论以进行妥善管理。尽管 PH 构成了重要的医疗负担，人工智能在该领域的临床应用仍处于非常初步的阶段，但若得以发展，将在多个方向上明显促进患者管理。Fig. 46.5 与 Fig. 46.6 展示了目前对肺循环的形态学与灌注影像进行视觉评估的局限性。

AI in the Diagnostic Approach of Pulmonary Hypertension — Directions for AI-Driven Solutions

由于 PH 预后不良，对 PH 患者进行早期筛查以便及时干预，或评估肺动脉压力（PAP）测定在心脏或肺疾病患者随访中的价值，具有重大意义。PH 早期检测是一个重要的应用领域，因为该诊断常因临床症状缺乏特异性而被延误。该思路的若干方面已被研究。Bergeman 等人研究了机器学习技术在识别特发性肺动脉高压（iPAH）患者方面的有用性[22]。该研究发现，iPAH 在确诊前的 3 年内具有高水平医疗活动与频繁的医疗接触；同时患者经常就诊于呼吸科与心内科。高水平的医疗活动与丰富的专科就诊组合，提示 iPAH 患者可能表现出区别于其他心肺疾病的就诊行为模式，从而为开发针对 iPAH 的预测性诊断算法提供了足够的数据支持。另一项研究则提出将网络科学用于从纵向数据集中的共病记录中区分小儿 PH 亚型[23]。这些作者旨在利用网络统计量改善临床定义、识别小儿 PH 患者的临床相关疾病模式，希望能够借此提升早期诊断特异性。该研究是 PH 中首项利用机器学习技术增进对一种罕见病理解的探索。

另一个应用领域是对 PAP 升高的预测。在一项回顾性研究中，Zou 等人使用 CNN 基于正位胸片预测 PH[24]。其研究表明，深度学习算法能够以高准确率与良好泛化能力从胸片中识别提示 PH 的异常。Kusunose 等人假设将 AI 应用于胸片能够识别 PAP 升高，并对合并 PH 的心力衰竭住院风险进行分层[25]。在其初步工作中，他们构建、训练、验证并测试了一个 CNN，用于识别 PAP 升高（>20 mmHg）。其结果是，仅依靠 AI 在高危人群的胸片中识别 PAP 升高的能力有限。

目前评估 PH 的方法依赖于在右心室及近端肺动脉水平对肺血管阻力升高的间接后果进行评估；而对小血管段在平扫 CT 上的形态学评估也可发挥一定作用。4D flow 分析的逐步推广使得对肺动脉内血流的非侵入性评估成为可能，其中涡流的存在与持续时间已被证实对 PH 有诊断意义[26]。这一应用是 MR 研发中的活跃方向。基于张量（tensor-based）机器学习方法对肺动脉高压已显示出高诊断准确性[27]。将基于 CT 肺动脉造影的中心肺动脉自动三维体积测量与超声心动图压力估测相结合，最近被报道为一种用于预测 PH 是否存在的有趣方法[28]。基于心脏 MR 影像的机器学习亦可用作指导患者管理的工具[29]。

肺微循环的改变可在 HRCT 肺窗图像上以形态学方式描绘（如在肺静脉闭塞性疾病 PVOD 的语境下），亦可基于灌注闪烁显像、双能或 MR 灌注图像上的灌注缺损进行估计，但上述任何方法均无法对肺循环最远端部分进行精细分析。毫无疑问，机器学习方法应当为远端肺循环分析开辟新的可能性，从而帮助可靠地描绘具有诊断或预后意义的特征。

Conclusion

人工智能在肺血管疾病的诊断路径中为日常实践打开了新的视野。它有助于优化诊断资源，从而促进患者管理的改善并间接降低辐射暴露。它还具有改进日常工作流的潜力——在急诊科协助放射科医生高亮阳性检查以及具有肺动脉慢性阻塞的检查。最后，放射科医生正期待着他们的视觉图像分析与 AI 工具所能"看见"的模式相结合这一激动人心的时刻。

本章个人批注

本章延续 ch43–ch45 形成的"AI 应用于胸部影像具体任务"脉络，但把焦点从肺结节、肺气肿/CVD/CAC 这些以肺实质和冠状动脉为主的议题，转向了肺血管这一更专门的子领域——急性 PE、慢性血栓栓塞性疾病（CTED/CTEPH）以及肺动脉高压（PH）。作者 Remy-Jardin 与 Remy 是胸部 CT 与肺血管领域的资深团队，因此本章带有明显的"专家综述"色彩：每一节均以"现状—AI 应用方向"的两段式结构组织，先界定临床问题（知识缺口、判读困难、延误诊断），再点出 AI 可切入的具体环节。

值得注意的几点：(1) "非影像"AI 的早期角色——Rucco 等人的神经超网络完全不使用图像分析，仅靠 28 项临床特征就达到 94% 的识别率，这一节强调了在 PE 这一"无特异性临床变量"的疾病中，结构化临床数据本身就蕴含可供学习的信息。(2) 自由文本报告的处理是 PE 章节的重要支线——Banerjee 等人与 Chen 等人的两项研究从两个角度（多分类与二元存在）展示了 CNN 在放射学自由文本标注上的可行性，且准确率达到 99%。这是 DeCecco 卷中相对罕见的"非影像输入 → AI"的例子。(3) 慢性 PE 与 CTEPH 节的论调是"先澄清、再谈 AI"——作者明确指出该领域最大的瓶颈是"放射学界的知识缺口"而非缺乏技术，AI 工具只是辅助手段。这与 ch37"可解释 AI"那一节的理念一致：AI 不能替代基础认知。(4) PH 节中提及的"网络科学"（network science）用于区分小儿 PH 亚型，与 ch44 中"网络科学"用于肺结节表征的思路同源，但应用对象截然不同——一处是共病结构，另一处是病灶特征空间。(5) 4D flow MR 与张量机器学习在 PH 评估中的应用，提示 PH 的影像 AI 已不局限于 CT，开始向 MR 多模态拓展——这一议题在 DeCecco 卷后续的 MR 相关章节（如 ch25 cardiac MR）中可能再次出现。

与上下章的衔接（一段话）

本章的章节定位是 DeCecco 卷"AI 应用于肺血管疾病"的综述章节，处于 ch45（机会性胸部 CT 筛查与 B3 框架）与 ch47（主动脉评估的 AI）之间。ch45 关注的是 Big-3（肺癌、COPD、CVD）的整体筛查 pipeline 视角，而 ch46 则把焦点收窄到肺血管这一具体子领域——急性 PE、慢性血栓栓塞性疾病与肺动脉高压三类疾病中 AI 的现状与方向。ch47 紧接着把视野从肺血管延伸到主动脉疾病（动脉瘤、夹层），继续在"AI 应用于胸部大血管"的脉络下展开。因此 ch46 既承接 ch45 中"AI 在不同胸部疾病中均有用武之地"的总论点，又为 ch47 的主动脉 AI 章节做了先导——两者共同构成 DeCecco 卷第 46–47 章关于"AI 应用于胸部大血管"的小专题。