基于深度学习识别囊性纤维化成人患者使用依来卡夫托-特扎卡夫托-伊伐卡夫托治疗后肺功能改善的结构预测因子

　　本研究开发了一种深度学习模型，用于量化囊性纤维化（CF）患者CT影像中的结构性异常。研究发现支气管壁增厚、黏液栓和灌注马赛克是肺功能（ppFEV1）的主要影响因素，而年轻年龄和较高程度的黏液栓与中心小叶结节可预测ETI治疗后的肺功能改善，为CF精准治疗提供重要影像学生物标志物。

　　

Highlight

通过深度学习量化分析揭示：年轻患者与更显著的黏液性炎症病变（如支气管黏液栓和中心小叶结节）是囊性纤维化（CF）成人患者接受ETI治疗后肺功能改善的关键预测因子。

Introduction

在过去五年中，依来卡夫托-特扎卡夫托-伊伐卡夫托（ETI）——一种囊性纤维化跨膜传导调节因子（CFTR）调节剂的组合——已成为携带F508del变异或特定非F508del变异CF患者的标准治疗方案[1, 2]。临床试验和真实世界研究显示，ETI治疗可使一秒率预计值（ppFEV₁）平均绝对提高10–14个百分点，但患者之间的改善程度存在显著差异[[3], [4], [5]]。多项研究表明，ETI治疗与成人CF患者肺部结构异常的改善相关，包括计算机断层扫描（CT）或磁共振成像（MRI）上支气管壁增厚、黏液嵌塞和中心小叶结节视觉评分的降低[[6], [7], [8], [9], [10]]，以及MRI肺灌注的改善[10]。此外，5%的成人患者在ETI治疗后出现圆柱型（较轻程度）支气管扩张的可逆性变化[9]。

尽管肺功能提升与结构改善可能相互关联，但肺功能损伤的结构性决定因素及其在ETI治疗下的可逆性机制仍未明确。结构性异常具有异质性，且难以通过影像精确量化，因为半定量视觉评分系统（如Bhalla[11]或Brody[12]评分）基于粗略等级划分。此前已有研究采用传统计算机视觉方法或深度学习技术，开发了用于量化成人CF患者胸部CT结构异常的自动化工具[[13], [14], [15], [16], [17], [18]]。人工智能（AI）技术已被用于自动化PRAGMA-CF评分[19]、测量支气管与动脉[18]、量化空气潴留[16]，或通过NOVAA-CT评分系统量化支气管扩张、支气管周围增厚、支气管及细支气管黏液栓以及塌陷/实变等异常[17,20]。这类工具能够实现对大量患者结构异常的量化分析，有助于深化我们对不同类型结构异常相对重要性的理解，正如在其他肺部疾病研究中所见[[21], [22], [23]]。

本研究旨在开发一个深度学习模型，用于量化成人CF患者CT影像中的肺部异常，并评估ETI治疗前后结构异常与肺功能之间的关系。

Materials and methods

研究人群

本研究使用了两个不同的数据集：一个用于开发和测试量化模型（即开发数据集），另一个用于评估CF成人患者结构异常与肺功能之间的关系（即临床评估数据集）。开发数据集的数据收集经Cochin医院（法国巴黎）伦理委员会批准（CLEP，批准号AAA-2024-10048）。开发数据集包含250例未增强胸部CT检查……

Results

深度学习模型在七类异常量化方面的表现与放射科医生相当。分析了ETI治疗前及治疗一年后获得的胸部CT检查。ETI治疗前ppFEV₁的独立结构预测因子包括支气管壁增厚（P = 0.011）、黏液栓（P < 0.001）、实变/肺不张（P < 0.001）以及灌注马赛克（P < 0.001）。ETI治疗后ppFEV₁的提升与支气管壁增厚减少（-49%；P = 0.004）、黏液栓减少（-92%；P < 0.001）、中心小叶结节减少（-78%；P = 0.009）及灌注马赛克减少（-14%；P < 0.001）独立相关。 younger age（P < 0.001）、治疗前更广泛的黏液栓（P = 0.016）和中心小叶结节（P < 0.001）是ppFEV₁改善的独立预测因子。

Conclusion

深度学习模型能够量化成人CF患者的CT肺部异常。成人CF患者的肺功能损伤与CT上的黏液炎症性病变（经ETI治疗大多可逆）和灌注马赛克（可能关联不可逆损伤，可逆性较低）相关。肺功能改善的预测因素是年轻年龄和更严重的阻塞性气道黏液炎症性病变。

Conclusion

（注：根据要求翻译到第二个Conclusion为止，此处仅作结构示例）