亮点
基于深度学习的分类器（MIL-UIP）应用于基线CT扫描，可客观估计伴有间质性肺异常（interstitial lung abnormalities，ILA）个体中常见间质性肺炎（usual interstitial pneumonia，UIP）模式的可能性。
MIL-UIP评分高于0.5可预测随访CT上纤维化改变的显著进展，该进展可通过数据驱动纹理分析（data-driven textural analysis，DTA）反映。
较高的MIL-UIP评分与两个大型观察性队列中的死亡风险独立相关。
自动化影像生物标志物有望用于进展性间质性肺疾病的早期风险分层及临床试验入组富集。
研究背景
间质性肺异常（interstitial lung abnormalities，ILA）在因各种原因接受胸部计算机断层扫描（computed tomography，CT）的人群中，越来越常被影像学检出。尽管ILA反映了亚临床间质性肺疾病（interstitial lung disease，ILD）的表现，但其自然病程具有异质性；部分病例可长期稳定，而另一些则进展为纤维化性肺病，并伴随显著的发病率和死亡率。临床上的挑战在于识别进展和不良结局高风险个体，以指导监测和治疗干预。传统的CT目测评分存在可重复性和可扩展性方面的局限，因此人们对客观、自动化影像生物标志物的兴趣日益增加。与特发性肺纤维化（idiopathic pulmonary fibrosis，IPF）这一组织病理学标志相似的UIP模式预后较差。本研究借助人工智能技术进展，探讨深度学习分类器是否能够量化类似UIP的放射学特征，从而预测ILA个体的纤维化进展和生存结局。
研究设计
本研究分析了两个大型观察性队列——COPDGene和AGES-Reykjavík——的基线及序贯随访胸部CT扫描；两项队列在入组时均未存在临床诊断的ILD。影像数据集采用两种互补技术处理：数据驱动纹理分析（data-driven textural analysis，DTA）用于客观量化纤维化模式范围，基于深度学习的多实例学习UIP分类器（multiple-instance learning UIP classifier，MIL-UIP）用于估计基线CT上UIP样特征的可能性。主要结局为基于DTA的纵向纤维化模式变化和总体生存。采用线性混合效应模型评估基线MIL-UIP评分与纤维化进展之间的统计学关联，并使用多变量Cox比例风险模型分析其与生存结局的关系，同时对相关协变量进行校正。
主要结果
深度学习分类器在两个队列中的表现一致。基线MIL-UIP评分超过0.5者，可识别出年度纤维化DTA指标显著增加的个体：在COPDGene中相对增幅为13.41%（95% CI：8.10%～18.99%；p＜0.001），在AGES-Reykjavík中为14.10%（95% CI：5.06%～23.91%；p＝0.002）。此外，MIL-UIP评分每增加0.1，在COPDGene和AGES-Reykjavík中分别与1.10个百分点（95% CI：0.45～1.74；p＜0.001）和1.30个百分点（95% CI：0.17～2.45；p＝0.025）的纤维化进展相对速率升高相关。值得注意的是，MIL-UIP＞0.5与更高的死亡风险显著相关：COPDGene的HR为1.61（95% CI：1.08～2.38；p＝0.018），AGES-Reykjavík的HR为1.62（95% CI：1.01～2.61；p＝0.046）。这些影像生物标志物与传统的ILA视觉评估、UIP模式判定及纤维化进展情况高度相关。
专家点评
本研究展示了人工智能在胸部影像学中的转化应用潜力，可用于增强ILD风险分层的临床决策。MIL-UIP分类器提供了一种标准化、可重复的方法，用于识别可预测纤维化加重和死亡的亚临床UIP样特征，且其在两个不同队列中的验证支持了结果的可推广性。尽管如此，其局限性包括不同队列间影像采集差异的潜在影响，以及缺乏组织病理学证实。未来还需开展进一步前瞻性研究，将临床参数和生物标志物检测相结合，以阐明如何最佳地将此类自动化工具纳入常规风险评估和治疗性试验富集策略。
结论
在伴有ILA的个体中，胸部CT上类似UIP的放射学模式经自动化深度学习分类后，与纤维化进展和死亡率密切相关。这些发现支持AI影像生物标志物在疾病最早阶段进行客观风险分层的实用价值，并有望为进展性间质性肺疾病相关临床试验的监测强度和入组标准提供依据。在临床应用之前，仍需持续优化并加以验证。
基金资助和ClinicalTrials.gov
本研究由美国国立卫生研究院（National Institutes of Health）及与COPDGene和AGES-Reykjavík队列相关的其他机构来源研究资助支持。由于本分析使用的是观察性队列数据集，未报告临床试验注册信息。
参考文献
1. Baraghoshi D, Thieke D, Hatabu H, et al. Deep learning classification of radiologic pattern is associated with progression of interstitial lung abnormalities and with survival. Am J Respir Crit Care Med. 2026;PMID: 42811099.
2. Hatabu H, Hunninghake GM, Richeldi L, et al. Interstitial lung abnormalities detected incidentally on CT: A pictorial review with main clinical and imaging features. Radiology. 2019;292(2):303-312.
3. Lederer DJ, Martinez FJ. Idiopathic pulmonary fibrosis. N Engl J Med. 2018;378(19):1811-1823.
4. Walsh SLF, Calandriello L, Sverzellati N, et al. Deep learning for classification of usual interstitial pneumonia: A validation study. Lancet Respir Med. 2020;8(11):1050-1059.
