聚焦于肺癌筛查技术和最佳实践肺癌的2021年CT筛查研讨会（IASLC CT Screening Symposium，CTSS）于5月7~8日举行。本次大会设置了7个主题，Topic 5的内容是“以患者为中心的健康护理和肺癌筛查”，荷兰内梅亨大学医学中心的Bram van Ginneken作报告“早期发现间质性和阻塞性肺疾病”。
除了发现潜在的恶性肿瘤，CT筛查肺癌还可发现肺部疾病的细微早期迹象。Dr. van Ginneken在报告中回顾说，胸部CT的定量测量可能有助于早期发现不同的阻塞性肺病和间质性肺病，如慢性阻塞性肺病(COPD)和特发性肺纤维化(IPF)，同时也提示该患者进行肺癌筛查的最佳频次。此外，许多CT定量测量可以通过人工智能(AI)实现自动化。
Bram van Ginneken
荷兰内梅亨大学医学中心
肺气肿的定量评估
CT定量评估肺气肿是一种成熟的技术，将低于某特定阈值的低衰减区定义为肺气肿区，由计算机计算低衰减区占全肺容积的百分比。然而，这种方法一直存在一些缺陷，限制了其临床适用性。
肺气肿CT评分的一个关键不足是图像质量的异质性——例如，图像是采用软或锐利核重构，这会大幅影响评分。为了克服这个问题，Dr. van Ginneken及其同事开发了一种标准化技术，基本上采用相同的重构核（reconstruction kernel）来重新渲染所有的CT图像（图1）1。将此校正因子应用于图像，可提高肺气肿评分来预测肺癌高危患者的全因肺癌死亡率和肺癌死亡率的能力。它还使肺气肿评分可以作为一个CT生物标志物，提示何时可启动肺气肿的早期治疗或提高肺癌筛查的频次。
图1. 肺气肿的定量评估
另一个缺点是它不能区分肺气肿的类型。最近，研究人员设计了一种人工智能解决方案对肺气肿进行分级。2
气道的测量
通过测量气道壁的厚度，可以量化阻塞性气道疾病。在绘制了不同位置的多条气道内周长的壁面积平方根后，用得到的回归线计算内周长为10mm的理论气道壁面积的平方根，即Pi10(图2)。
Pi10是有用的，因为它与吸烟状况和慢性阻塞性肺病（COPD）严重程度相关。3此外，Pi10显示有能力预测哪些COPD患者在治疗后会出现有临床意义的第一秒用力呼气容积(FEV1)的改善。4不幸的是，Pi10并不能很好地预测治疗反应，受试者工作特征(ROC)曲线下的面积仅为0.641。
图2. 气道的测量
“这意味着在肺癌筛查时，如果你想使用这种测量来决定哪个个体应开始治疗COPD，它还不是一个很好的模型，”Dr. van Ginneken说。
肺间质异常的测量
“肺间质异常可能是特发性肺间质纤维化(IPF)的前兆，临床诊断出IPF的患者的生存往往非常差，与肺癌相当。如果能在进行肺癌筛查时，在早期阶段发现这些肺间质异常是非常有意义的。”Dr. van Ginneken说。
事实上，研究表明，在所有肺癌筛查CT扫描中，10%~17%的扫描结果可发现肺间质异常。5，6在持续随访中，非纤维化和纤维化病变在2年内分别在12%~37%的患者中出现进展，存在这些病变与随后诊断为间质性肺病、COPD、肺炎、肺癌和呼吸衰竭的风险更高有关。
自动化算法可对肺间质异常的CT图像进行鉴别和分类，临床医生可利用AI识别IPF的前兆疾病的影像学图像。7因为所有早期间质性肺病和阻塞性肺病都可能通过肺癌CT扫描检测到，临床医生应该预先制定计划，在CT图像呈现这些疾病的阳性结果时，他们应知晓下一步如何处理。
风险建模和个性化肺癌筛查
除了早期发现其他肺部疾病外，CT定量扫描还可以用来决定何时对个体患者进行肺癌筛查。研究人员已经建立了包括多种变量的风险模型，包括年龄、结节特征、平均肺密度、肺气肿评分、支气管壁厚度和主动脉钙化体积。8这些模型被证明相当准确，可以确定哪些人需要年度的肺癌筛查，哪些人进行两年一次的肺癌筛查非常安全，延迟诊断的风险很小。
Dr. van Ginneken解释说，应用这些风险模型为肺癌筛查项目放宽入组标准打开了大门。他建议:“让更多的人进行一次基线CT扫描，然后利用CT扫描得到的信息来决定这些人何时进行下一次CT扫描。”
参考文献
1. Gallardo-Estrella L， Pompe E， de Jong PA， et al. Normalized emphysema scores on low dose CT: Validation as an imaging biomarker for mortality. PLoS One. 2017;12(12):e0188902.
2. Humphries SM， Notary AM， Centeno JP， et al; Genetic Epidemiology of COPD (COPDGene) Investigators. Deep learning enables automatic classification of emphysema pattern at CT. Radiology. 2020;294(2):434-444.
3. Charbonnier JP， Pompe E， Moore C， et al; COPDGene investigators. Airway wall thickening on CT: Relation to smoking status and severity of COPD. Respir Med. 2019;146:36-41.
4. Park HJ， Lee SM， Choe J， et al. Prediction of treatment response in patients with chronic obstructive pulmonary disease by determination of airway dimensions with baseline computed tomography. Korean J Radiol. 2019;20(2):304-312.
5. a. b. Jin GY， Lynch D， Chawla A， et al. Interstitial lung abnormalities in a CT lung cancer screening population: prevalence and progression rate. Radiology. 2013;268(2):563-571.
6. a. b. Hoyer N， Thomsen LH， Wille MMW， et al. Increased respiratory morbidity in individuals with interstitial lung abnormalities. BMC Pulm Med. 2020;20(1):67.
7. Bermejo-Peláez D， Ash SY， Washko GR， San José Estépar R， Ledesma-Carbayo MJ. Classification of interstitial lung abnormality patterns with an ensemble of deep convolutional neural networks. Sci Rep. 2020;10(1):338.
8. Schreuder A， Jacobs C， Lessmann N， et al. Combining pulmonary and cardiac computed tomography biomarkers for disease-specific risk modelling in lung cancer screening. Eur Respir J. 2021:2003386.
京公网安备 11010502033352号