基于深度学习的肺栓塞CT诊断研究综述

基于深度学习的肺栓塞CT诊断研究综述肺栓塞（PulmonaryEmbolism,PE）是内源性或外源性栓子堵塞肺动脉主干或分支引起肺循环障碍的临床和病理生理综合征，具有发病率高、漏诊率高、病死率高的“三高”特征。据全球血栓栓塞性疾病防控联盟数据，每年全球约有1000万例肺栓塞确诊病例，其中未经及时诊断治疗的患者病死率可达30%，而早期准确诊断并启动抗凝治疗后病死率可降至2%-8%。CT肺动脉造影（ComputedTomographicPulmonaryAngiography,CTPA）是目前临床首选的肺栓塞影像学检查手段，具有扫描速度快、空间分辨率高的优势，可清晰显示肺动脉内的栓子位置、形态及累及范围。但临床阅片过程中，受医师经验差异、微小栓子辨识度低、影像数据量大等因素影响，常规人工诊断的漏诊率可达10%-20%，急诊场景下甚至更高。深度学习作为人工智能领域的核心技术，能够自动从海量影像数据中学习特征模式，近年来在肺栓塞CT诊断领域展现出巨大应用潜力。围绕栓子检测、分型、风险评估等核心临床需求，国内外研究者已开展大量探索性研究，逐步构建起从图像预处理到临床决策辅助的全流程技术体系，为提升肺栓塞诊断效率与准确性提供了新的解决方案。一、肺栓塞CT诊断的深度学习基础技术框架深度学习在肺栓塞CT影像分析中的应用遵循“数据输入-特征提取-任务输出”的典型技术路径，核心技术单元包括图像预处理、骨干网络架构、损失函数设计三个关键模块。图像预处理是保障模型性能的前提环节，主要解决CT影像数据异质性问题。由于不同设备、扫描参数、造影剂注射方案会导致影像灰度分布、噪声水平存在显著差异，预处理流程通常包含四个步骤：首先是肺实质分割，通过阈值法、区域生长法或U-Net等分割网络去除胸壁、纵隔、肋骨等无关组织，将感兴趣区域限定在肺野范围内，可减少70%以上的背景干扰；其次是灰度归一化，采用CT值窗口调整（通常设置肺动脉窗：窗宽700HU，窗位100HU）将灰度值映射到固定范围，避免对比度差异带来的特征偏移；然后是重采样操作，将不同层厚的CT影像统一重采样为1mm×1mm×1mm的体素尺寸，保证空间分辨率一致性；最后是数据增强，通过随机旋转、平移、翻转、弹性形变、加噪等方式扩充训练样本，缓解栓子样本不均衡问题，通常数据增强可使模型泛化能力提升15%-20%。针对微小栓子易被周围肺组织掩盖的问题，部分研究引入多平面重建（Multi-PlanarReconstruction,MPR）技术，将横断面影像转换为冠状面、矢状面及曲面重建图像，为模型提供多维度空间信息，可使微小栓子（直径<2mm）的检出率提升约25%。骨干网络架构是深度学习模型的核心，决定了特征提取的能力与效率。肺栓塞CT诊断任务中常用的网络架构可分为三类：二维卷积神经网络（2DCNN）、三维卷积神经网络（3DCNN）以及混合维度网络。2DCNN以ResNet、DenseNet、EfficientNet等为代表，通过逐层提取横断面图像的纹理、边缘、形状等特征实现栓子识别，具有计算速度快、对硬件资源要求低的优势，适合在资源受限的场景下部署。早期研究中，Rajpurkar等开发的PE-CNN模型基于ResNet-50架构，在10万余张CTPA切片上训练后，对肺栓塞诊断的AUC可达0.94，诊断准确率与高年资放射科医师相当。但2DCNN无法有效利用CT影像的三维空间上下文信息，对走行复杂的肺段及亚段动脉栓子易出现误判。3DCNN则直接对三维体数据进行卷积操作，能够充分捕捉栓子的空间形态及与周围血管的毗邻关系，在栓子定位、分型任务中表现更优。典型的3DU-Net及其变体V-Net、nnU-Net已成为肺栓塞分割任务的主流架构，其中nnU-Net通过自适应预处理、动态网络调整等策略，在公开数据集PE-CAD上的栓子分割Dice系数可达0.82，显著优于传统2D模型。但3DCNN的计算复杂度高、推理速度慢，单例CT影像的推理时间通常是2D模型的5-10倍，难以满足急诊场景下的快速诊断需求。为平衡性能与效率，混合维度网络成为近年研究热点，该类架构先通过2DCNN提取切片内特征，再通过3D卷积或循环神经网络（RNN）融合相邻切片的上下文信息，既保留了三维空间信息，又降低了计算量。如GoogleDeepMind团队提出的Hybrid-PE模型，结合2DEfficientNet与3D卷积模块，在保持AUC达0.96的同时，单例推理时间缩短至2.3秒，具备临床落地潜力。损失函数设计是引导模型学习有效特征的关键，需针对肺栓塞任务的特点进行定制化设计。肺栓塞CT诊断面临的核心挑战是样本不均衡问题：阳性栓子区域在整个CT影像中的占比通常不足0.1%，且微小栓子、亚段栓子等难例样本占比高。常规交叉熵损失易受样本不均衡影响，导致模型倾向于预测多数类（阴性样本），出现漏检。因此现有研究多采用加权损失函数，如FocalLoss通过降低易分样本的权重，提升模型对难分阳性样本的关注度，可使微小栓子的漏检率降低30%以上。Dice损失、IOU损失等基于区域重叠度的损失函数，能够直接优化栓子分割的评价指标，在栓子精确分割任务中表现优于交叉熵损失。对于同时需要检测、分割、分型的多任务模型，通常采用多任务联合损失函数，通过加权平衡不同任务的损失贡献，实现多任务性能的协同提升。部分研究还引入对比损失、度量学习等技术，增大栓子与正常血管组织的特征距离，进一步提升模型对相似区域的区分能力。二、深度学习在肺栓塞CT诊断中的核心应用方向当前深度学习在肺栓塞CT诊断领域的研究主要围绕栓子自动检测、栓子精准分型、风险分层评估三个核心临床需求展开，相关技术已逐步从实验室研究走向临床验证阶段。栓子自动检测是深度学习在肺栓塞诊断中最成熟的应用方向，目标是自动定位CT影像中所有存在的栓子并给出置信度评分。传统计算机辅助检测（CAD）系统依赖人工设计的特征（如栓子的密度、形状、血管截断征等），假阳性率高达每例20-30个假阳性病灶，难以满足临床需求。深度学习驱动的检测系统通过端到端学习自动提取特征，检测性能得到质的提升。目前主流的检测架构可分为两阶段检测与单阶段检测两类：两阶段检测以FasterR-CNN为代表，先通过区域提议网络（RPN）生成候选栓子区域，再对候选区域进行分类与位置修正，具有准确率高的优势，适合对检测精度要求高的场景；单阶段检测以YOLO、SSD为代表，直接在特征图上回归栓子的位置与类别，检测速度更快，更适合急诊快速筛查。近年研究重点聚焦于降低假阳性率，通过多尺度特征融合、上下文信息建模、难例挖掘等技术，实现对假阳性病灶的有效过滤。如2022年发表在《Radiology》的一项多中心研究，纳入来自8个医疗机构的12344例CTPA影像，训练的深度学习检测系统对肺栓塞诊断的AUC达0.97，灵敏度为94.2%，特异度为93.5%，每例假阳性病灶数降至1.8个，性能优于传统CAD系统2倍以上。针对临床最易漏诊的亚段及亚亚段微小栓子，部分研究提出血管中心线引导的检测方法，先通过分割网络提取完整的肺动脉树结构，再沿血管中心线逐段检测栓子，可使直径<3mm的微小栓子检出率提升至85%以上，而常规检测模型对该类栓子的检出率通常不足60%。目前已有多个深度学习肺栓塞检测产品获得FDA、NMPA的三类医疗器械认证，在临床常规诊疗中开始应用，可使放射科医师的阅片时间缩短40%-50%，同时降低漏诊率。栓子精准分型与负荷评估是指导临床治疗方案选择的重要依据。根据栓子的位置，肺栓塞可分为中央型（累及肺动脉主干或左右肺动脉）、叶/段型（累及肺叶或肺段动脉）、亚段型（仅累及亚段及以下动脉）三类，不同分型的治疗策略与预后差异显著。深度学习模型不仅能够定位栓子位置，还可通过分析栓子的累及范围、血管阻塞程度，自动完成分型与栓塞负荷量化。传统的栓塞负荷评估采用Miller评分、Qanadli评分等半定量方法，需要医师手动计数受累肺段动脉数量，过程繁琐且一致性差，观察者间差异可达20%-30%。深度学习模型可通过自动分割肺动脉与栓子，计算栓子阻塞的血管体积占比、右心室/左心室直径比（RV/LV）等定量指标，实现栓塞负荷的全自动精准评估。2023年发表在《EuropeanRadiology》的研究显示，基于3DU-Net的自动评估系统计算的Qanadli评分与医师手动评分的组内相关系数（ICC）达0.92，RV/LV比值测量误差小于0.05，评估时间从传统方法的15-20分钟缩短至30秒以内。针对部分栓子与血管壁附着紧密、边界模糊导致的分割误差问题，部分研究引入注意力机制，让模型重点关注栓子与血管腔的交界区域，结合CT值分布特征实现栓子边界的精准分割，分割Dice系数提升至0.85以上。此外，深度学习还可对栓子的性质进行初步判断，通过分析栓子的密度异质性、强化特征区分急性栓子与慢性栓子，准确率可达90%以上，为临床选择溶栓或抗凝治疗方案提供参考。风险分层评估是肺栓塞诊断的核心目标之一，旨在识别高危患者并进行早期干预，降低病死率。目前临床常用的风险分层指标包括临床特征（如心率、血压、血氧饱和度）、实验室指标（如肌钙蛋白、BNP）以及影像学指标（如RV/LV比值、右心功能不全征象），但需要多源信息整合，评估过程复杂且及时性不足。深度学习模型可直接从CT影像中提取与预后相关的深层特征，结合临床数据实现患者不良预后风险的自动预测。多项研究证实，基于CT影像的深度学习风险预测模型对肺栓塞患者30天全因死亡、不良心血管事件的预测性能优于传统的PESI评分、sPESI评分等临床风险评估模型。2024年《NatureMedicine》发表的一项纳入14259例肺栓塞患者的多中心研究显示，深度学习模型仅利用CTPA影像和基本临床信息，对患者30天不良事件预测的AUC达0.88，显著高于传统PESI评分的0.76，且能够识别出15%被传统评分低估的高危患者。该类模型通过自动捕捉右心室形态功能变化、心肌密度异常、肺灌注缺损等人类肉眼难以识别的细微影像学特征，实现风险的精准分层，为临床快速分流患者、制定个体化治疗方案提供决策支持。目前部分研究进一步探索多模态融合的风险评估模型，整合CT影像、电子病历数据、检验检查结果等多源信息，进一步提升风险预测的准确性。三、当前研究面临的挑战与未来发展方向尽管深度学习在肺栓塞CT诊断领域已取得显著进展，但在临床落地过程中仍面临一系列挑战，主要体现在数据、泛化性、可解释性三个层面。数据层面的挑战是制约模型性能提升的首要瓶颈。一方面，标注成本高、高质量标注数据稀缺：肺栓塞CT影像的标注需要高年资放射科医师逐帧识别栓子并勾画边界，单例影像标注时间可达1-2小时，大规模标注需要耗费大量人力物力。现有公开数据集规模普遍较小，最大的公开数据集PE-CAD仅包含300余例阳性患者数据，远不足以支撑复杂3D模型的训练。另一方面，数据异质性问题突出：不同机构的CT设备型号、扫描参数、造影剂注射方案存在差异，导致影像质量参差不齐，在单一机构数据上训练的模型在跨中心测试时性能通常会出现10%-20%的下降。此外，罕见类型肺栓塞（如骑跨栓、慢性血栓栓塞性肺动脉高压合并急性栓子）样本量少，模型对该类样本的识别能力不足，易出现漏诊。为解决数据问题，联邦学习、半监督学习、弱监督学习等技术成为近年研究热点。联邦学习可在不共享原始数据的前提下，实现多机构数据的联合训练，有效扩充训练样本量，2023年国内12家医疗机构联合开展的联邦学习肺栓塞检测研究，构建的跨中心模型性能较单中心模型提升了12%，且避免了患者隐私泄露风险。半监督学习、弱监督学习仅需要少量标注数据或影像级粗标注（仅标注是否存在肺栓塞，无需栓子位置信息）即可训练模型，可大幅降低标注成本，部分基于弱监督学习的检测模型性能已接近全监督模型的90%。泛化性与鲁棒性不足是临床落地面临的核心问题。临床实际场景中，CT影像常存在运动伪影、造影剂充盈不佳、呼吸伪影、金属伪影等质量问题，而现有模型多在高质量影像上训练，对低质量影像的鲁棒性差，易出现误判。此外，合并其他肺部疾病（如肺炎、肺癌、肺间质纤维化、肺动脉高压）的患者，肺血管结构异常、肺实质密度改变，会显著增加栓子识别难度，现有模型对该类患者的诊断准确率通常会下降15%-30%。提升模型泛化性的主要路径包括：构建多样化的训练数据集，纳入不同设备、不同扫描条件、不同合并疾病的病例，提高模型对异质性数据的适应能力；引入域适应技术，通过特征对齐减小源域与目标域数据的分布差异，实现模型在不同机构间的快速迁移；设计鲁棒性更强的网络架构，加入伪影模拟、对抗训练等策略，提升模型对低质量影像的抗干扰能力。2024年一项研究通过在训练集中加入不同类型的模拟伪影，结合对抗训练，使模型在存在明显运动伪影的影像上的诊断准确率从68%提升至85%，显著增强了模型的临床适应性。可解释性不足是阻碍临床医师接受深度学习模型的关键因素。现有深度学习模型多为“黑箱”模型，仅能给出诊断结果，无法提供决策依据，导致临床医师对其可靠性存疑，尤其在诊断结果与医师判断不一致时，