检索历史 清除

摘要第一部分功能小气道CT定量分析对COPD早期诊断的价值<br>　　【目的】<br>　　探索功能小气道CT定量参数在COPD早期诊断中的价值，并探索基于人工智能的新方法对高危COPD的预测价值，以期为COPD早期诊断提供更加敏感的影像标志物，为COPD早期智能预警诊断奠定基础。<br>　　【资料与方法】<br>　　回顾分析2018年8月至2019年12月在我院进行胸部三大疾病筛查，并具有完整的肺功能及双呼吸相胸部CT检查的615例受试者。根据肺功能指标FEV1/FVC及FEV1%进行分组：正常组(FEV1/FVC＞70%，FEV1%≧95%)、高危组(FEV1/FVC＞70%，80%＜FEV1%＜95%)及COPD组(FEV1/FVC＜70%)；正常组367例、高危组194例、COPD组54例(GOLDI14例、GOLDII32例、GOLDIII+IV8例)。小气道CT定量参数主要是肺体积、参数反映图(Parameter Response Mapping，PRM)，包括肺气肿(Emphysema)、功能小气道(Functional -small airways，fSAD)、正常肺组织(Normal)、未知分类肺组织(Uncategorized)的体积(cc)及体积百分比(%)，上述参数在全肺、左右肺及5个肺叶水平共计72个参数，分别分析①4个基本临床特征(年龄、性别、身高、体重)、13个肺功能参数和72个小气道CT定量参数在三组人群之间的差异；②评价PRM参数与肺功能参数的相关性；③在此基础上基于深度学习建立基于PRM预测肺功能的模型，旨在实现常规CT扫描可以预测肺功能的效能；④通过基于PRM参数的机器学习方法探索高危COPD的FEV1%阈值再定义的问题。<br>　　【结果】<br>　　①单因素分析显示，年龄在三组间无统计学差异(P＞0.05)，身高、体重在组间有统计学差异(P＜0.001)；肺功能参数中12个、小气道参数中有68个参数有组间统计学差异(P＜0.05)；全肺、右肺、左肺及各肺叶PRMVEmph、PRMVEmph%、PRMVfSAD、PRMVfSAD%的均值在正常组、高危组及COPD组依次递增；全肺、右肺、左肺、右肺下叶、左肺上叶PRMVNormal%在正常组、高危组及COPD组依次递减；全肺、右肺、左肺肺体积(LV)及PRMVNormal、PRMVNormal%、PRMVUncategorized及PRMVUncategorized%的均值正常组大于高危组。<br>　　②绝大多数小气道CT定量参数与PFT参数的相关性很弱，仅有PRMVNormal及PRMVUncategorized与FVC呈中度正相关(r=0.3～0.6，p＜0.05)；全肺、左肺、右肺及各肺叶的肺体积、PRM中全肺、右肺、左肺及各肺叶的PRMVNormal、PRMVUncategorized与FEV1.0(实测值)呈中度正相关(r=0.3～0.6，p＜0.05)，由此可见呈中度以上相关的参数为PRMVNormal或/和PRMVUncategorized，而PRMVfSAD、PRMVfSAD%、PRMVEmph及PRMVEmph%与肺功能参数呈弱或极弱相关。<br>　　③PRM预测PFT参数的效能：预测FEV1/FVC的效能，训练集中R2=0.864，验证集R2=0.749；预测FEV1%的效能，训练集R2=0.888，验证集R2=0.792；该模型预测效果较好。由PRM参数联合4个临床基本信息组成的联合预测模型对正常组及高危组进行分类的敏感度为0.85，特异度为0.90，准确度0.88；对非COPD组及COPD组进行分类的敏感度0.89，特异度1，准确度0.99；而对COPD组内(GOLDⅠ、GOLDⅡ、GOLDⅢ+Ⅳ)进行分类的准确率仅为0.44。<br>　　④基于PRM参数的机器学习结果显示，当FEV1%阈值取0.72时，PRM参数与PFT对于区分正常与高危的一致性是比较理想的，AUC=0.83；优于FEV1%取0.95时的高危COPD分类效能(AUC=0.64)。<br>　　【结论】<br>　　小气道CT定量参数PRM无论在全肺还是肺叶水平均可区分正常人群、高危及COPD人群；基于PRM参数的回归预测模型，对正常组及高危组、非COPD及COPD组的预测效果良好，进而实现一次CT扫描能够完成对功能小气道和PFT的一次性评估；基于PRM参数的深度学习对COPD高危人群再定义是可行的，FEV1%阈值的合理设置为COPD早期诊断的再定义奠定基础。<br>　　第二部分肺血管CT定量分析对COPD早期诊断的价值<br>　　【目的】<br>　　评价肺血管CT定量分析参数对COPD早期诊断的价值，研究血管重塑的区域分布特征，为COPD早期影像学预警标志物的筛选提供基础。<br>　　【资料与方法】<br>　　回顾分析2018年8月至2019年12月在我院进行胸部三大疾病筛查的病例1112例，根据肺功能指标FEV1/FVC及FEV1%进行分组(同第一部分)，正常组657例、高危组379例、COPD组76例。小血管CT定量参数包括肺血管数量(Num Vessels(ea))、截面积小于5mm2(Crosssectionalarea＜5mm2)小血管数量(NumVesselsUnder5mm2(ea),CSA＜5)、平均血管直径(Diameter Mean(mm))、平均血管面积(Area Mean(mm2))、血管表面密度(Surface Mean(HU))、肺气肿区域表面积(Surface LAA(mm2))(CT值≦-950HU)、血管面积(Vessel Area(mm2))、总表面积(TotalSurfaceArea(mm2)，上述所有参数分别在全肺距胸膜6mm、9mm、12mm、15mm、18mm、21mm和24mm水平的指标共56个。分别分析①3个基本资料特征(年龄、性别、BMI)、13个肺功能参数和56个小血管定量参数在三组人群之间的差异；②分析小血管参数与对应的肺功能参数的相关性；③通过R语言rstatix工具，评估小血管定量参数在不同人群之间(正常、高危、GOLDI、II、III+IV级)从距离肋胸膜6mm到24mm的梯度变化趋势。<br>　　【结果】<br>　　①单因素分析显示，性别、BMI及吸烟史、肺气肿家族史、伴随疾病、临床症状(咳嗽、气喘、呼吸急促)均有组间差异(P＜0.05)，并且BMI在正常与高危组间存在显著差异(P=0.033*)。平均血管面积(全肺_6mm、18～24mm)、血管面积(全肺_12、18、21mm)的均值在正常组、高危组及COPD组依次递增；平均表面密度(全肺_6mm～24mm)、血管面积(全肺_15mm)的均值在正常组小于高危组，大于COPD组。血管数量(全肺6、9mm)、CSA＜5(全肺_6、15mm)的均值在正常组、高危组、COPD组依次减小；肺气肿表面积(全肺_6～24mm)、总表面积(全肺_6-24mm)、CSA＜5(全肺_9/12/18～24mm)、血管面积(全肺_24mm)的均值在正常组大于高危组，小于COPD组。<br>　　②大部分肺血管参数与肺功能参数呈极弱或无相关性(r＜0.2，p＜0.05)，以全肺水平为例，仅FVC与全肺(距胸膜15～24mm)的血管数量及CSA＜5的血管数量呈中度正相关(r=0.307～0.629，p＜0.05)，尤其与总表面积呈明显的正相关(r=0.601～0.629，p＜0.05)；FEV1.0与全肺(距胸膜12～24mm)的血管数量、CSA＜5的血管数量及总的血管表面积呈中度正相关(r=0.429～0.556，p＜0.05)。<br>　　③从变化趋势看，在距离胸膜6～24mm水平，有8个参数(平均血管面积、血管面积、血管数量、CSA＜5、平均血管直径、平均表面积密度、肺气肿表面积、总表面积)在组间的总体变化趋势一致：其中平均血管面积、平均血管直径、平均表面密度呈逐渐增大的趋势；血管数量、CSA＜5、肺气肿表面积及总表面积呈逐渐减小的趋势；血管面积在6～9mm处先增加，在9～24mm处逐渐降低。高危组大于正常组的参数分别为：平均血管面积、平均血管直径、平均表面密度及血管面积；正常组大于高危组的参数：血管数量、CSA＜5、肺气肿表面积及总表面积；非COPD组大于COPD组的参数：平均血管面积(约9mm～15mm之间)、血管面积(约6mm-12mm之间)；COPD组大于非COPD组的参数：肺气肿表面积及总表面积、血管数量(9～24mm之间)、CSA＜5(9～24mm之间)。与距胸膜9mm、15mm处，平均血管面积在区分非COPD组与COPD组时出现了转折，即在9mm～15mm处非COPD组大于COPD组，在小于9mm及大于15mm范围内非COPD组小于COPD组；血管面积、血管数量及CSA＜5的值在距胸膜9mm～24mm，COPD组大于非COPD组，而高危组与正常组无明显变化。<br>　　【结论】<br>　　8个肺血管CT定量参数(血管数量、CSA＜5、肺气肿表面积、总表面积、平均血管面积、平均血管直径、平均表面密度及血管面积)能区分正常组、高危组及COPD组；在距离胸膜不同水平，肺血管定量参数存在一定的梯度分布趋势，为后续在肺叶及肺段水平的小血管CT定量的研究奠定了基础及理论依据。