人工智能驱动的COPD肺大疱评估、亚型解析及个性化管理研究进展

Advances in AI-Powered COPD Assessment, Subtype Classification, and Personalized Management

摘要: 慢性阻塞性肺疾病(Chronic Obstructive Pulmonary Disease, COPD)是一种以持续气流受限为特征的异质性疾病，主要病理特征包括小气道重构与肺气肿形成。近年来，人工智能(Artificial Intelligence, AI)技术在医学影像分析中的快速发展为COPD的影像评估、病理亚型解析及个体化管理提供了前所未有的机遇。本文系统回顾了2015年以来AI在COPD及其关键影像学表现——肺气肿与肺大疱中的应用进展，包括影像自动评估、病理表型挖掘、疾病进展预测及个性化治疗支持等方向。同时，对现阶段AI模型在数据异质性、模型可解释性、跨中心泛化能力及临床转化方面的不足进行分析，并提出未来研究展望。通过整合机器学习、深度学习及放射组学等技术，本研究综述旨在为AI驱动的COPD精准医学研究提供叙述性回顾。

Abstract: Chronic Obstructive Pulmonary Disease (COPD) is a heterogeneous disorder characterized by persistent airflow limitation, with key pathological features including small airway remodeling and emphysema formation. The rapid advancement of artificial intelligence (AI) in medical imaging has created unprecedented opportunities for COPD imaging assessment, pathological subtype analysis, and personalized management. This systematic review examines AI applications in COPD and its critical imaging manifestations—emphysema and pulmonary bullae—since 2015, covering areas such as automated imaging evaluation, pathological phenotype analysis, disease progression prediction, and personalized treatment support. The study also analyzes current limitations in AI models regarding data heterogeneity, model interpretability, cross-center generalization, and clinical translation, while proposing future research directions. By integrating machine learning, deep learning, and radiomics technologies, this review aims to provide a narrative overview of AI-driven precision medicine research in COPD.

1. 引言

慢性阻塞性肺疾病(COPD)是一种以不可逆性气流受限为特征的慢性呼吸系统疾病，其发病率和死亡率居全球前列。据世界卫生组织统计，COPD已成为全球第三大死亡原因。传统的疾病评估主要依赖肺功能检测(FEV₁)和症状量表(mMRC、CAT等)，但这些方法无法全面反映疾病在影像、病理和分子水平的复杂异质性[1] [2]。随着高分辨率计算机断层扫描(CT)的广泛应用，研究者得以对肺气肿、肺大疱及气道结构进行精细化分析。然而，人工阅片不仅费时费力，而且主观性强、可重复性差[3]。

人工智能(AI)技术的发展，尤其是深度学习(Deep Learning, DL)与放射组学(Radiomics)，为COPD的客观量化和亚型识别提供了新的工具。AI能够从CT影像中自动识别肺气肿、评估病变分布，甚至推断潜在病理亚型[4]-[6]。近年来，多项研究显示，基于AI的模型不仅能与专家读片达到相似准确度，还能通过多模态融合(影像 + 临床 + 组学)预测疾病进展与个体化风险[7]-[9]。

然而，AI在COPD领域的应用仍面临多重挑战，包括数据标准化不足、模型缺乏可解释性、跨设备泛化性能下降以及临床部署难题[10]-[12]。因此，本文检索范围涵盖COPD的诊断、分型、进展预测、病理机制、影像学评估、人工智能(AI)与机器学习(ML)在疾病分析与管理中的应用，包括指南性文件(如GOLD 2024)、综述性文章、临床研究、影像分析研究、机器学习/深度学习方法学论文，以及系统综述与荟萃分析，主要方法学标准涵盖传统影像定量分析、放射组学(radiomics)、机器学习(ML)、深度学习(DL)、以及多模态融合与时间序列模型(LSTM, Transformer)，对AI在COPD中的研究现状进行叙述性回顾，分析不同技术路径的优势与局限，对于推动疾病的精准诊疗具有重要意义。

2. AI在COPD影像评估与气肿量化中的应用

2.1. 深度学习在肺气肿识别与分级中的应用

AI在影像评估领域最早的突破之一来自于自动气肿识别。Humphries等利用卷积神经网络(CNN)对CT图像进行训练，实现了对中心小叶型、旁间隔型及混合型气肿的自动分类，结果显示模型在独立验证集上达到与专家相当的性能(AUC > 0.90) [4]。该研究首次证明，AI可以在无需人工干预的情况下实现气肿影像模式自动化识别，但仍需要对扫描参数变化较敏感、需要跨设备/跨人群的外部验证与模型可解释工具。随后，Fischer等在AJR期刊发表研究，比较了多种AI算法在不同CT协议下对气肿体积分数的自动量化表现，发现深度学习方法在重现性和鲁棒性上优于传统阈值分割方法[5]，可样本及扫描协议有限，建议更进一步建立标准phantoms与多设备校准方案。

在低剂量CT场景下，Ferri等探讨了不同重建算法(迭代重建、深度学习重建)对AI定量分析结果的影响，结果显示深度学习重建可有效减少噪声并提高气肿检测的稳定性，但同时提示算法选择对多中心数据的可比性有重要影响[6]，但样本与设备范围有限，后续研究中可建立校准因子或标准化流程。Zhu等通过将放射组学特征与临床指标(如吸烟史、BMI、FEV₁等)融合，构建了深度学习诊断模型，在多机构数据集上显著提高了COPD分级准确率[7]，深层次研究中增加多中心外部验证样本数量，可进一步构建不同扫描协议和设备的泛化测试并公开代码或模型。

2.2. 放射组学与纹理特征的应用

放射组学(radiomics)通过提取影像中大量定量特征(灰度直方图、纹理矩阵、形态特征等)，为AI模型提供可解释的数据输入。Amudala Puchakayala等在2023年从吸气CT图像中提取400余项纹理特征，构建支持向量机(SVM)模型，实现对早期COPD的精准识别[8]。类似研究表明，放射组学特征在气肿分布、病变异质性及病理分级中具有高度敏感性[9]，该研究更依赖高质量影像与标准化预处理，建议跨设备的规范化与开放数据集验证。Lynch等人早在2018年即研究了视觉CT分型与临床结局(肺功能下降、加重频率、死亡风险等)的关系，虽然视觉评估主观性较强，但该研究揭示了影像特征与预后的紧密联系，为AI自动评估提供了验证基础[9]，研究内容主观评分的局限性明显，下一步研究可增加自动量化方法联合并训练读者标准。

2.3. 多模态数据融合与功能预测

AI技术还被用于融合影像与功能数据，从而预测个体的呼吸力学参数。Porazzi等的研究发现，结合CT放射组学特征与肺功能参数的多层神经网络可更好预测FEV₁%下降趋势[10]，目前为初步研究，需更多样本与长期跟踪。Koo等基于呼气CT的气体潴留模式构建纹理模型，揭示了局部气体潴留特征在评估小气道疾病中的价值[11]，呼气CT更易受患者配合与扫描协议影响，需标准化与噪声处理。这些研究推动了从单纯影像诊断向功能预测的转变，使AI逐步成为疾病动态管理的关键支撑。

3. AI在COPD亚型解析与病理机制探索中的进展

3.1. COPD亚型的机器学习聚类与特征分解

COPD并非单一疾病，而是由多种病理生理机制共同作用形成的异质性综合征。传统上依据肺气肿与气道病变程度划分亚型，但近年机器学习(Machine Learning, ML)方法的引入使亚型解析更具客观性与多维性。Castaldi等利用无监督聚类分析，将来自SPIROMICS和COPDGene项目的患者影像、临床与基因数据进行综合分析，最终识别出五种具有临床意义的表型，如“重度气肿型”“轻度混合型”等[12]，研究表明，不同亚型在加重频率、系统性炎症水平及转归风险方面差异显著。但是聚类结果对输入变量与预处理敏感，后续的研究中需要标准化特征选择并做纵向验证。Subramanian等进一步采用基于特征自编码器的深度聚类算法，在CT影像上学习高维潜在表征空间，实现了对亚型特征的非线性映射，提高了模型的可解释性[13]。该研究表明，深度学习不仅能发现传统指标未能识别的结构特征，还可预测未来三年内肺功能下降的速率，为早期干预提供依据，该研究仅基于影像数据(CT)，缺乏多模态信息(临床、基因、呼吸功能等)聚类结果缺乏外部验证，样本量较小，模型的可解释性较弱，难以解释潜在特征对应的生理机制，未对不同种族或设备差异进行泛化验证。

3.2. 多模态融合与表型–基因关联

在COPD亚型解析中，融合影像组学与多组学(转录组、蛋白组、代谢组)数据已成为研究趋势。Mets等在2020年的研究中将放射组学特征与血液生物标志物进行整合，通过随机森林模型揭示了多种气肿相关影像特征与MMP-9、IL-8水平之间的显著相关性[14]。这一发现提示AI不仅可用于影像分型，也能挖掘潜在的分子机制，Mets等虽整合了影像组学与生物标志物，但数据异质性较高、融合方法较为简单，模型依赖手工特征提取，可能遗漏深层潜在信息，样本分布不均，未充分评估模型在不同COPD分期下的表现，外部验证集规模有限。在另一项研究中，Xu等利用多模态神经网络(MMNN)整合CT影像、基因表达谱与临床参数，实现了对不同亚型的端到端预测，其模型在多中心验证集上的F1值达到0.87，显著优于单模态模型[15]，该方法进一步支持了AI在构建“影像–基因–表型”桥梁中的独特优势，该模型多模态融合架构复杂，但缺乏可解释性分析，模型训练需要大量标注数据，实际临床可推广性受限，未对时间序列或疾病进展进行建模，模型性能对不同模态缺失数据较为敏感。此外，Lynch与Han MK等的多中心研究发现，不同气肿类型在T细胞浸润模式上存在差异，这为未来AI与免疫组学结合提供了新的研究方向[9] [16]。

3.3. 时序建模与疾病进展预测

AI在COPD中的另一个重要应用是疾病进展建模。Xu等采用长短期记忆网络(LSTM)结合纵向影像特征，预测个体未来2年的FEV₁下降趋势，模型在多中心数据中的R²达到0.82 [17]，数据集规模有限，模型泛化能力有可能不足，文献中未充分解释模型决策过程，可解释性较差，在未来建模中建议进一步提升其泛化能力，并展示其模式决策过程，提高模型可解释性。Zhang等提出基于Transformer结构的时序模型，可识别出与疾病加重事件高度相关的动态影像特征，从而实现个体化加重风险预警[18]，不过该模型参数多、计算复杂度高，对小样本数据可能过拟合，所以需要高质量、连续的时间序列数据支持，但这些研究标志着AI从静态表型识别向动态进程预测的转变，使得早期干预成为可能。

4. AI在COPD个体化预测与精准管理中的应用

4.1. 预测疾病进展与加重风险

AI预测模型被广泛用于识别高危患者群体。Bhatt等基于COPDGene数据，利用随机森林算法整合CT影像、吸烟史、呼吸症状及遗传信息，建立了个体化加重预测模型，其AUC达到0.89 [19]，该预测模型未能充分捕捉时间动态变化，并且性能受限于人工特征提取质量。另一项由Gonzalez等开展的多国队列研究使用深度贝叶斯网络对患者进行风险分层，模型不仅提供了概率输出，还能量化预测不确定性，为临床决策提供可信依据[20]，此研究模型结构过于依赖人工定义或启发式学习，扩展性受限，同时计算复杂度较高，难以在实时预测中应用。此外，AI模型在识别吸烟者早期结构性改变方面表现突出。Yin等通过深度卷积特征与肺纹理参数相结合，建立早期预警模型，能够在传统肺功能异常前3年预测COPD风险[21]，这类早筛模型的临床意义重大，有望推动人群层面的早期干预策略。

4.2. 个体化治疗反应预测

随着生物治疗和肺减容手术等个体化干预措施的出现，AI被用于预测治疗反应。例如，Ardila等的深度学习系统通过术前CT影像预测肺减容术后功能改善幅度，其性能优于传统基于影像定量指标的评估[22]，该技术样本量有限，尤其是接受肺减容治疗的患者，仅评估影像预测，未纳入生理或分子层数据，同时模型解释性有限，难以明确关键预测特征，有望在未来研究中进一步展示临床实用性。López-Campos等的研究进一步结合AI评估吸入药物反应性，利用特征重要性分析发现基线气体潴留模式对药物反应具有显著预测力[23]，不过该研究响应定义单一，未区分急性与长期反应差异，模型也依赖肺功能数据，缺少影像或生物学特征支持，小样本研究，结果可重复性有限，同样的是临床验证缺失，无疑的是该类研究推动了个体化治疗反应预测的发展，为进一步实现优质模型埋下伏笔。

4.3. 智能监测与远程管理

可穿戴设备与物联网(IoT)为AI赋能的COPD管理提供了新平台。Raschke等开发的深度学习呼吸监测算法可实时识别呼吸频率变化并预测急性加重事件[24]，他们的研究设备依赖性强，不同监测硬件间泛化性有限，深度模型对异常信号的鲁棒性有待提高，同时未结合患者个体化因素(如活动水平)，原因是数据主要来自实验环境，缺乏真实家庭场景验证。在另一项研究中，通过结合移动应用与云端AI模型实现患者呼吸数据的连续分析，在临床试点中有效减少了再入院率[25]，不过Smith等系统集成复杂，数据隐私与安全性问题突出，远程监测依赖患者依从性，存在数据缺失，造成偏倚，另外，该模型尚未充分验证临床决策影响，也同时无法说明成本效益，不过这些成果预示着AI在慢病管理中的潜力正在从研究走向实践。

5. AI在COPD领域应用的临床转化

5.1. AI辅助诊断准确性与临床工作流整合

在早期的临床验证研究中，Topalovic等通过多中心对比试验发现，AI系统在肺功能检测(pulmonary function tests, PFTs)的判读准确率显著高于120名呼吸科医生(82% vs. 45%)，显示出AI在提高诊断一致性与效率方面的潜力[26]。然而，该研究样本量有限，且未评估AI介入对长期临床结局的影响，提示未来应开展多中心、前瞻性临床试验，以验证AI对实际诊疗过程的促进作用。Kaplan等进一步综述了AI与机器学习(machine learning, ML)在呼吸系统疾病诊疗中的应用[27]。研究指出，尽管AI算法在诊断与预测任务中表现出良好性能，其在临床常规工作流程中的落地仍受到数据异质性、可解释性不足及责任归属不明等因素的制约。作者强调，成功的临床转化需依赖跨学科协作、标准化数据架构及严格的外部验证机制。

5.2. AI预测建模与表型分层

Smith等的系统综述与荟萃分析显示，机器学习与深度学习模型在COPD预后预测中表现出较高的判别性能(AUC常超过0.80) [28]。然而，研究间方法学异质性较大，外部验证不足，且报告标准不一致，影响了模型的可推广性。作者建议未来研究应遵循TRIPOD-AI等报告规范，并在多中心数据集上进行外部验证。在影像学方向，Estépar等讨论了AI在CT定量分析中的应用，指出深度学习有助于揭示COPD的病理异质性与进展特征[29]。Wu等进一步系统总结了AI在CT影像中的识别、分期与定量分析的最新进展，强调算法鲁棒性、扫描设备间差异与临床工作流整合仍是主要挑战[30]。这两项综述共同指出，将影像AI从技术验证推向临床应用的关键在于可解释性、标准化与监管对接。

5.3. 伦理、公平与监管考量

除技术验证外，AI的公平性与伦理监管问题亦成为临床转化的重要议题。Chen等指出，算法偏倚可能在数据采集、标注或模型部署各阶段产生，并可能加剧医疗资源分布不均[31]。建议在AI系统开发与监管流程中引入公平性指标、隐私保护机制与后市场持续监测，以保障AI技术在不同人群中的安全与公正应用。这与全球医疗AI监管趋势相一致，即强调透明性、可解释性与责任归属。

6. 挑战与未来方向

尽管AI在COPD影像学与个体化管理中取得显著进展，但仍面临若干关键问题：在数据异质性与标准化不足方面，不同扫描协议、重建算法及人群差异导致模型迁移性下降，可建立跨中心标准化数据库与影像协议[32]。另外深度模型中普遍存在着模型可解释性不足的情况，如AI模型常为“黑箱”，缺乏透明的决策依据，可视化注意力图与可解释深度网络的引入有助于提升信任度[33]。同时，人工智能系统还存在着临床集成障碍，AI系统在真实世界临床路径中仍需验证，可进一步加强模型临床验证与可监管部署框架[34]。更深层次上可涉及隐私与伦理问题：多中心AI研究需在数据共享与隐私保护间平衡，可采用联邦学习与差分隐私技术实现安全协作[35]。未来，AI驱动的COPD研究将从构建多模态AI模型，实现影像、组学与临床数据的深度融合、利用生成式AI (如扩散模型、Transformer)改善影像重建与特征解释的发展，并通过联邦学习促进跨机构协作研究，加强AI模型的可解释性与临床验证，推动从科研走向实践。

7. 结论

人工智能的引入正在重塑COPD的诊疗格局，从影像自动评估到亚型分解，再到个体化预测与智能管理，AI为理解和管理这一复杂疾病提供了全新工具，当前研究表明，AI在肺气肿量化、亚型解析和疾病预测方面均展现出卓越性能，然而，模型泛化性、可解释性与临床落地仍是未来亟待解决的问题，通过多学科协作与技术创新，AI有望推动COPD诊疗迈向真正的精准医学时代。

NOTES

^*通讯作者。