在21世纪的科技浪潮中，人工智能（AI）正以前所未有的速度渗透到各行各业，而医学领域无疑是其中最受瞩目的阵地之一。

急性呼吸窘迫综合征（ARDS）是一种危及生命的疾病，在重症监护室（ICU）收治的患者中发病率和死亡率很高。及时识别进展为ARDS的高风险患者对于及时干预和改善临床结果至关重要。然而，ARDS复杂的病理生理学特征使得早期预测具有挑战性。

日前，发表在The Lancet eClinical Medicine的一项研究，旨在开发一种AI模型，用于自动肺部病变分割和ARDS的早期预测，以便在ICU中进行及时干预。

本研究自2018年11月至2021年11月期间，在中国三家中心共纳入了928名接受胸部计算机断层扫描（CT）的ICU患者。患者被分为回顾性队列，用于模型开发和内部验证，以及三个独立队列，用于外部验证。使用UNet Transformer（UNETR）模型开发了一个基于深度学习的框架，进行肺部病变分割和ARDS的早期预测。研究人员采用了多种数据增强技术，这些技术基于人工智能的医学开放网络（MONAI）框架，以增强训练样本的多样性并提高模型的泛化能力。将基于深度学习框架的性能与基于DenseNet的图像分类网络进行了比较，并在外部和前瞻性验证队列中进行了评估。使用Dice系数（DC）评估分割性能，使用受试者工作特征曲线下面积（AUC）、敏感性和特异性评估预测性能。使用Shapley解释图可视化了不同特征对ARDS预测的贡献。

在验证集中，使用深度学习框架的分割任务达到DC为0.734±0.137。对于预测任务，基于深度学习的框架在内部验证队列、外部验证队列I、外部验证队列II和前瞻性验证队列中的AUCs值分别为0.916[0.858～0.961]、0.865[0.774～0.945]、0.901[0.835～0.955]和0.876[0.804～0.936]。在预测准确性方面，它优于基于DenseNet的图像分类网络。

此外，ARDS预测模型能识别出肺部病变特征和临床参数，如C反应蛋白、白蛋白、胆红素、血小板计数和年龄，作为ARDS预测的重要贡献因素。

使用UNETR模型的基于深度学习的框架，在肺部病变分割和ARDS早期预测方面表现出高准确性和稳健性，并具有良好的泛化能力和临床应用性。

（环球医学编辑：常路）

参考资料：
Development and validation of a deep learning-based framework for automated lung CT segmentation and acute respiratory distress syndrome prediction: a multicenter cohort study
https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(24)00351-1/fulltext#%20