特发性肺纤维化(idiopathic pulmonary fibrosis，IPF)患者的生存期个体差异很大，有些长期稳定，有些病情缓慢进展，有些则发生急性加重导致短期内死亡[1，2]。如何精准预判病情严重度和预后尚缺乏被广泛接受的评估方法。

        目前关于IPF严重程度的评估模型主要有以下几种：1.Leslie C. Watters等[3, 4]1986年发表的CRP(clinical-radiographic-physiologic)评分模型;2. Athol U. Wells等[5]2002年提出一个结合胸部CT和肺功能参数的复合生理指数(composite physiologic index, CPI);3.Brett Ley, MD等[6]提出以性别、年龄、FVC和 DLco为基础的GAP (gender, age, and physiologic variables)模型;4.日本Ryo Okuda等[7]提出用PaO2(arterial partial pressure of oxygen)和SaO2%(oxyhemoglobin saturation)。但这些IPF分期评价方法有些过于简单,缺乏重要参数，不能准确反映疾病的严重程度和估计预后;有些则太过复杂,很难进入临床实践。

        目前人工智能技术迅速发展，基于深度学习的语义分割已被应用于各种疾病的医疗影像分析，但尚无专门利用AI进行IPF严重程度及死亡风险预测的系统软件。基于此，我们团队利用人工智能深度学习技术设计了通过读取患者胸部CT能定量评估患者肺部纤维化病变严重程度的评分系统(专利申请号：201910514972.5)。同时根据系统的CT纤维化评分联合肺功能等重要生理学指标设计了肺纤维化严重度综合评估新模型(CT and pulmonary function & physiological features, CTPF)系统软件并进行了临床验证(ChiCTR-RRC-17010683)，结果证明该系统能够有效评估肺纤维化患者的疾病严重程度并预测死亡风险[8]。

        CTPF预测模型包括两个部分，第一部分: 基于深度学习的人工智能胸部高分辨CT(HRCT)肺纤维化病灶的识别和定量计算。根据2018年最新的IPF诊断指南[1]，IPF的病理学表现主要为UIP(usual interstitial pneumonia)，我们选择最具代表性的蜂窝肺纤维化病变影像学表现来评价患者肺纤维化的程度。通过深度卷积神经网络建立人工智能胸部HRCT肺纤维化病灶的检测及其所占百分比的评估方法来读取患者所有的CT片，对纤维化区域进行语义分割和提取，标记蜂窝状组织的区域和进行面积计算，计算该病人所有CT片中蜂窝肺占整个肺的百分比。并利用统计学方法寻找CT评分的最优界值，将CT评分界值确定5%和25%。据此将蜂窝肺分为I, II, III三个纤维化分期：I期CT评分小于5%，II期5-25%，III期大于25%。

        第二部分：肺纤维化严重程度多参数综合评分方法：既往多项研究证明，肺功能和生理指标PF(pulmonary function & physiological features, PF)的多参数严重度综合评估是预测生存预后的重要指标。我们综合分析对比了现有CRP,GAP,CPI,JRS评分系统的优缺点，选取了FVC%pred、DLco%pred、SpO2% (oxygen saturation of peripheral blood,SpO2)、年龄和性别5个具有重要预测判断价值且临床易于获取的参数来评价患者的疾病严重程度，并设置了基于肺功能和生理指标PF(pulmonary function & physiological features, PF)的多参数严重度综合评分分级标准，结合AI肺纤维化分期结果，最终建立人工智能HRCT肺纤维化评分联合肺功能等生理学指标的肺纤维化严重度综合评估新方法(CTPF)(附件-1)。

        附件-1 CTPF模型评分分级标准

        Table CTPF model: Criteria for CT-based Pulmonary Fibrosis Staging and PF-based Severity Grading (Patent No. ：ZL 2019 1 0514972.5)Notes: SpO2%: Oxygen saturation of peripheral blood. SpO2% is the resting arterial oxygen saturation measured at fingertips. FVC: forced vital capacity. FVC%pred: the percentage of the actual FVC over the predicted FVC. DLco: diffusing capacity of the lung for carbon monoxide. DLco% pred: the percentage of the actual DLco over the predicted DLco.

        本研究建立的肺纤维化AI评估系统，利用深度学习神经网络模型来代替人工进行肺纤维化蜂窝状改变病灶的检测、提取与计算，可以精准计算蜂窝肺占所有肺组织的百分比，平均重合度达到77.26%，每位患者CT评估运行时间仅需要11秒，大大提高了工作效率。本研究按照 CTPF模型(表CTPF)设计了评估软件系统(Software registration No.:6406807)，导入患者的胸部CT影像资料，并输入FVC%pred、DLco%pred、SpO2%、年龄和性别检测指标后最终形成完整的CTPF肺纤维化分期/病情严重程度分级，并给出评估报告(附件-2)。

        附件-2 CTPF模型分期评估报告图

        与以往的IPF死亡风险预测模型模型相比，CTPF分期模型评估参数全面客观，在预测患者死亡风险时有更好的准确性和稳定性。另外目前认为肺移植是提高IPF患者生存期的有效治疗方法，所以我们在验证评分系统时将肺移植作为死亡竞争风险事件来计算患者的死亡风险。但肺移植也有死亡风险，当患者所处CTPF分期的死亡风险高于肺移植的死亡风险时，可建议患者行肺移植手术。因此我们的综合评价系统可能对患者选取合适的肺移植治疗时机也有一定的参考意义。

        综上，CTPF预测模型和基于AI设计的评估软件系统能够精准、高效地评估IPF患者疾病严重程度并预测死亡风险，相对于其他评估方法具有参数全面、操作简便、精确度高、便于临床应用等优点。

        参考文献

        1. Raghu G, Remy-Jardin M, Myers JL, et al. Diagnosis of Idiopathic Pulmonary Fibrosis. An Official ATS/ERS/JRS/ALAT Clinical Practice Guideline. Am J Respir Crit Care Med 2018; 198(5): e44-e68.

        2. Ley B, Collard HR, King TE, Jr. Clinical course and prediction of survival in idiopathic pulmonary fibrosis. Am J Respir Crit Care Med 2011; 183(4): 431-440.

        3. Watters LC, King TE, Schwarz MI, Waldron JA, Stanford RE, Cherniack RM. A clinical, radiographic, and physiologic scoring system for the longitudinal assessment of patients with idiopathic pulmonary fibrosis. Am Rev Respir Dis 1986; 133(1): 97-103.

        4. Watters LC, Schwarz MI, Cherniack RM, et al. Idiopathic Pulmonary Fibrosis - Pretreatment Bronchoalveolar Lavage Cellular-Constituents and Their Relationships with Lung Histopathology and Clinical-Response to Therapy. Am Rev Respir Dis 1987; 135(3): 696-704.

        5. Wells AU, Desai SR, Rubens MB, et al. Idiopathic pulmonary fibrosis - A composite physiologic index derived from disease extent observed by computed tomography. Am J Resp Crit Care 2003; 167(7): 962-969.

        6. Ley B, Ryerson CJ, Vittinghoff E, et al. A Multidimensional Index and Staging System for Idiopathic Pulmonary Fibrosis. Ann Intern Med 2012; 156(10): 684-691.

        7. Okuda R, Hagiwara E, Baba T, Kitamura H, Kato T, Ogura T. Safety and efficacy of pirfenidone in idiopathic pulmonary fibrosis in clinical practice. Respiratory medicine 2013; 107(9): 1431-1437.

        8. Xuening Wu, Chengsheng Yin, Xianqiu Chen, Yuan Zhang, Yiliang Su, Jingyun Shi, Dong Weng, Xing Jiang, Aihong Zhang, Wenqiang Zhang, Huiping Li. Idiopathic Pulmonary Fibrosis Mortality Risk Prediction Based on Artificial Intelligence: The CTPF Model. Frontiers in Pharmacology, 2022; 13:878764.