人工智能模型可能有助于评估小气道疾病

一种使用吸气CT估计功能性小气道疾病的人工智能（AI）模型显示了与FEV1下降的显著关联，并提供了更高的重复性。

根据《美国呼吸与危重症医学杂志》上发表的研究结果，小气道疾病可以通过单次吸气计算机断层扫描（CT）结合生成式人工智能（AI）进行评估。

研究人员开发并评估了一种用于估计功能性小气道疾病（fSAD）的AI模型，使用了来自亚组和COPD中间结局测量研究（SPIROMICS；ClinicalTrials.gov标识符：NCT01969344）的数据。

符合条件的参与者年龄在40至80岁之间，并被分为四个层次：吸烟史为1包年或更少（第一层次）；或吸烟史为20包年或更多（第二至第四层次）。所有当前分析中的参与者在全肺容量吸气和呼气时都进行了高分辨率胸部CT扫描。

SPIROMICS参与者被分为两个子集，用于训练生成式AI模型。该模型通过COPD基因流行病学研究（COPDGene；ClinicalTrials.gov标识符：NCT00608764）的一个子集进行了外部验证。

“小气道疾病可以通过生成式AI从单次吸气CT扫描中可靠地评估，从而消除了对额外呼气CT扫描的需求。”

基于从1055名随机选取的SPIROMICS参与者在全肺容量（TLC）下进行的吸气CT数据，AI模型为剩余的SPIROMICS参与者和COPDGene样本生成了虚拟呼气CT以估计fSADTLC。研究人员随后将AI模型确定的fSADTLC与常规双体积、图像配准基础的fSAD以及参数响应映射fSAD（fSADPRM）进行了比较。

在基线时，完整的数据可用于1458名SPIROMICS参与者（平均年龄63岁；54%为男性），这些参与者参与了关联研究，其中650人在5年后有肺功能测试数据。共有458名参与者（平均年龄63岁；47%为男性）来自COPDGene研究，其中有8人在5年后失访。

在SPIROMICS（R=0.895, P<0.001）和COPDGene（R=0.897, P<0.001）中，fSADTLC与fSADPRM之间的皮尔逊相关系数很高，表明这两个变量之间存在强烈的线性关系。

多变量分析显示，fSADTLC与SPIROMICS中的肺功能指标显著相关，包括支气管扩张后FEV1（L）（回归系数=-0.034；95% CI, -0.037 至 -0.031；P<0.001）和支气管扩张后FEV1/FVC（回归系数=-0.008；95% CI, -0.008 至 -0.007；P<0.001）。值得注意的是，这种关联独立于年龄、性别、种族、体重指数、吸烟状况、吸烟包年数和肺气肿百分比。

在COPDGene中，fSADTLC与FEV1（L）（回归系数=-0.032；95% CI, -0.038 至 -0.027；P<0.001）和FEV1/FVC（回归系数=-0.007；95% CI, -0.008 至 -0.007；P<0.001）相关。

Kaplan-Meier曲线分析显示，fSADTLC较高的人群死亡率显著增加（log rank P<0.001）。

fSADTLC与SPIROMICS（回归系数=-1.156；95% CI, -1.699 至 -0.613；P<0.001）和COPDGene（回归系数=-0.866；95% CI, -1.386 至 -0.345；P<0.001）中所有参与者的FEV1变化（mL/年）显著相关。

在提及局限性时，研究人员指出，在评估FEV1变化时，他们仅限于间隔约5年的两次肺功能测量，并且所有扫描均未使用造影剂。

研究作者总结说，“小气道疾病可以通过生成式AI从单次吸气CT扫描中可靠地评估，从而消除了对额外呼气CT扫描的需求。”

(全文结束)