近日，推想医疗携手中日友好医院合作的论文《Quantitative analysis of high-resolution computed tomography features of idiopathic pulmonary fibrosis: a structure-function correlation study》，发表于知名期刊Quantitative Imaging in Medicine and Surgery期刊。论文关注了一项单中心临床研究，研究表明，病变范围的增加将导致肺功能下降以及血管破坏加剧。此外，证实了血管相关参数与肺功能之间的正相关性，这种共线性关系表明血管相关参数具有作为评估IPF严重程度的新客观标志物的潜力。

— 1 —

特发性肺纤维化：国家重点研发计划常见多发病防治研究

特发性肺纤维化（idiopathic pulmonary fibrosis，IPF）是一种渐进性肺纤维化疾病，其发病率不断增加，且中位生存期为3-5年，疾病造成的社会经济负担已成为影响公共健康，关乎民生的重大问题。今年1月，推想医疗参与申报的“十四五”国家重点研发计划“常见多发病防治研究”重点专项-2021年度项目“纤维化间质性肺疾病的早期识别与治疗策略”获得立项。该项目由中日友好医院作为牵头单位，推想医疗作为课题承担单位将聚焦“肺纤维化严重程度的人工智能评价体系研究”，旨在建立基于深度学习的识别和分类间质性肺疾病的人工智能（AI）模型，构建深度学习和机器学习定量评价纤维化及严重程度的方法。

▲国家重点研发计划“常见多发病防治研究”重点专项《纤维化间质性肺疾病的早期识别与治疗策略》启动会现场，中国医学科学院、北京协和医学院院校长、中日医院-国家呼吸医学中心主任王辰院士，中日医院副院长曹彬教授，推想医疗创始人兼董事长陈宽等嘉宾出席会议

目前，肺功能检查（PFT）和高分辨率计算机断层扫描（HRCT）是评估IPF严重程度和进展的两种关键方法。HRCT上IPF的典型表现包括胸膜下和基底为主的网格影（RE）和蜂窝样改变（HC）伴有或不伴有牵拉性支气管扩张（TRBR），重要的是，HRCT上的HC可独立用来预测IPF患者的死亡率。

然而，基于CT的半定量视觉评估方法在评估疾病严重程度时容易受到观察者影响，从而产生观察者间的差异性。而PFT反映的是整个肺功能，对于重度IPF患者可能不适用。

近年来，计算机辅助定量CT （QCT） 因被证明比视觉评分更准确而受到关注。目前，基于QCT的方法主要集中在肺实质和肺血管系统。此外，有研究开发了一种计算机辅助方法来测量3个轴向HRCT切片上的HC面积，并发现HC面积与用力肺活量占预计值百分比[FVC （%pred）]以及一氧化碳弥散量占预计值百分比[DLco （%pred）]显著相关。

另有研究表明肺血管相关参数与IPF预后之间存在关联。但矛盾的是，这些方法中大多难以将HC以及TRBR与肺血管区分开来。因此，本论文研究有3个目标：（1）分割IPF在HRCT上的病变成像特征并计算其体积；（2）确定成像特征与肺功能测试（PFT）的关联性；（3）量化肺血管相关参数并与不同病变分析相关性。

— 2 —

基于CT的定量病灶分析与肺功能的相关性

在这个项目中，推想医疗与中日友好医院王辰院士团队回顾性收集了中日友好医院中101例特发性肺纤维化（idiopathic pulmonary fibrosis，IPF）患者数据，采用InferRead® CT Lung中的深度学习模型进行肺分割并基于这一分割结果进行肺区域几何划分，并采用自动积分分割法对肺血管进行分割。由放射科医生手动勾画IPF的4种HRCT病变成像特征，包括蜂窝样改变（HC）、网格影（RE）、牵拉性支气管扩张（TRBR） 和磨玻璃密度影（GGO）。所有分割结果由相应的软件进行量化。随后分析了这4种HRCT病灶的总体积以及不同部位的病灶体积、肺血管相关参数与肺功能检查的相关性。

▲一名62岁男性IPF患者，其HRCT显示为普通间质性肺炎（UIP）模式。（A）三种典型病变特征：RE（黄色区域）、HC（蓝色区域）和TRBR（红色区域）。（B）该患者的RE（黄色区域）、HC（蓝色区域）和TRBR（红色区域）的总体积分别为 122.61、1360.23 和 9.76 mL。（C）分割得到的肺血管的3D可视化（34.35 mL）。

 ▲基于自动分割的肺区域进行的几何划分结果（在垂直方向上对左右肺进行三等分）。（A）几何划分的3D可视化，（B）冠状位方向展示，（C）横截面方向展示。

结果表明，与 HC、RE和TRBR相比，总病变程度（病灶肺占比）与一氧化碳弥散量（DLco）呈更强的负相关（病灶肺占比, 相关性系数（r） = −0.67, P<0.001; HC, r = −0.45, P<0.001; RE, r = −0.41, P<0.001; TRBR, r = −0.25, P<0.05）。不同病变部位与肺功能的相关性相似，相关性系数从-0.38到-0.61 （P<0.001）。总肺血管容积（PVV）和肺动脉容积（PAV）都与 DLco呈正相关，但PAV比总PVV的相关性系数稍高（PAV, r=0.41, P<0.001; 总PVV, r=0.36, P<0.001）。此外，总病变程度、HC、RE与血管相关参数呈负相关，且相关性的强度与病变部位无关。

此次研究中基于CT的定量病灶分析与肺功能有较强的相关性，可以评估IPF的严重程度，有更高的精确度且对于病重无法完成肺功能检查的患者更有价值。

早期识别纤维化并进行有效干预对于延缓 f-ILD 进展，改善预后具有重要意义。而人工智能或许是肺纤维化早期识别的“破题”关键之一。在这项临床研究中，InferRead® CT Lung中的基于深度学习肺分割模型在该研究中的应用不仅说明了该模型能够辅助医生缩短研究时间，提高研究效率，而且也间接证明了本产品中的肺分割模型的鲁棒性：基于普通CT训练得到的模型在HRCT上同样可以高效利用。

推想医疗与中日友好医院在此之前已长期开展合作，和医生一起打磨出最贴近临床需求的产品和功能，先后共同研发了肺结节、肺血管病等多种呼吸疾病的影像 AI 评价技术体系。

去年11月，推想医疗与中日友好医院合作的论文《Using contrast-enhanced CT and non-contrast-enhanced CT to predict EGFR mutation status in NSCLC patients—a radiomics nomogram analysis》就发表于医学影像领域的期刊European Radiology (IF: 5.315)。论文研究了一种基于 CT 影像的非侵入式 EGFR 突变检测方法，能够实现对 NSCLC 患者 EGFR 突变状态的准确识别。通过增加样本量，改进特征选择过程，优化算法等方式，有望成为未来实现非侵入式 EGFR 突变状态检测的重要工具，并用于指导治疗方案的制定；同时，该技术路径同时适用于增强 CT 和非增强 CT，对于造影剂过敏的患者也可以使用，具有更大的临床使用范围。

在该项研究中，推想医疗对于基于放射组学的 EGFR 突变检测这样一个相对成熟的研究领域，从CT影像类型作为创新切入点，定义了“通用特征”的创新概念，使该领域研究的应用范围可以进一步扩大。最后，推想算法团队完成了结合多模态信息的模型开发，成功构建了“通用放射组学列线图”，其将可能成为未来实现非侵入式 EGFR 突变状态检测的重要工具。

依照“十四五”国家重点研发计划“常见多发病防治研究”重点专项-2021年度项目“纤维化间质性肺疾病的早期识别与治疗策略”要求，推想医疗将与中日友好医院及各项目单位一道，结合临床、影像等多维度信息构建纤维化间质性肺疾病的早期识别与进展预警模型，可建立优化的肺组织学诊断方法及纤维化严重程度的 AI评价体系，形成纤维化间质性肺疾病的早期识别与干预策略，并在多家医院进行推广使用，助力重大疾病诊疗技术的智能化发展，携手打造国民健康基石。