现阶段，慢性阻塞性肺疾病（COPD）是主要的致死病因之一。它是一种以气流进行性阻塞为特征的炎症性疾病，肺气肿是其主要的形态学组成部分。因此，从计算机断层扫描（CT）图像中量化肺气肿的严重程度，在慢性阻塞性肺疾病的放射学评估中起着重要作用。遗憾的是，有两个主要因素限制了现有评估指标在临床上的应用转化。首先，这些指标对不同扫描仪、成像协议以及患者个体特征的变化表现出高度敏感性，这引入了很大程度的不确定性，影响了对指标的解读，并且增加了在系列扫描中评估病情进展的难度。此外，尽管这些指标与死亡风险相关，但它们无法直接估计在特定时间段内的死亡概率。

近年来，深度学习（DL）方法已被用于从 CT 图像中评估肺气肿，其准确性与更传统的评估指标相似。与以往的方法不同，深度学习方法可以通过多任务学习利用多个任务之间的关系来提高单任务的性能。因此，它们提供了一个合适的框架来挖掘肺气肿严重程度与死亡风险之间的相关性。遗憾的是，现有的用于评估慢性阻塞性肺疾病严重程度的深度学习模型，无法量化与成像协议可变性或所使用的特定模型设计相关的不确定性。面对潜在的高度可变的数据和复杂的模型，不确定性度量可以为模型预测的可靠性提供重要信息。

贝叶斯神经网络（BNNs）已成为一种有用的工具，可分别评估数据本身固有的预测不确定性（偶然不确定性）和与模型设计相关的不确定性（认知不确定性）。与标准神经网络（SNNs）（其参数由标量值表示）相比，贝叶斯神经网络估计每个参数的概率分布，并且模型预测是对所有可能的网络参数值进行边缘化处理得到的。此外，贝叶斯神经网络具有天然内置的正则化特性，这也可以提高模型的通用性。

最近，发表在European Radiology 上的一篇文章开发了一种自动化方法，用于联合且一致地评估肺气肿和死亡风险，并对数据和模型的不确定性进行量化。

研究纳入了前瞻性慢性阻塞性肺疾病基因（COPDGene）研究中在 5 年随访时同时接受了全辐射剂量（FD）和低辐射剂量（RD）胸部 CT 扫描的参与者，并将其分为训练集（80%）、验证集（10%）和测试集（10%）。我们训练了一个多任务贝叶斯神经网络（BNN），用于估计与扫描协议无关的经 FD 体积校正的肺密度（ALD），同时还用于估计 5 年死亡风险。在测试集中对数据和模型的不确定性进行了量化。将我们的深度学习 ALD（DL-ALD）与传统的 ALD 进行了比较。

总共纳入了 1350 名参与者（平均年龄 64.4 岁 ±8.7；女性 659 名）。与传统的 ALD 相比，DL-ALD 在 FD 和 RD CT 图像之间的一致性更高（平均差异：1 克 / 升 ±3.1 对比 14.8 克 / 升 ±5.3，P < 0.001）。不同图像协议下预测的 5 年死亡风险相似（平均差异：0.0007±0.02，P = 0.76）。在量化 DL-ALD 时，患有严重肺气肿的参与者中与图像可变性相关的不确定性更低（皮尔逊相关系数 rho = 0.79，P < 0.001），并且与其他参与者相比，患有严重肺气肿和处于疾病早期阶段的参与者中，死亡风险的模型不确定性更低（P < 0.001）。

表 在测试集中，基于多任务贝叶斯神经网络的深度学习酒精性肝病（DL-ALD）预测不确定性与图像/患者特征之间的单变量关联

与传统的用于 CT 评估肺气肿的方法相比，所提出的多任务贝叶斯神经网络对成像协议具有更强的鲁棒性。此外，它还为其在不同成像协议和患者群体中的推广提供了对不确定性的直接度量。

原文出处：

David Baraghoshi,Matthew J Strand,Stephen M Humphries,et al.Uncertainty-aware quantitative CT evaluation of emphysema and mortality risk from variable radiation dose images.DOI:10.1007/s00330-025-11525-0

Tags： European Radiology：COPD 评估新利器，贝叶斯神经网络攻克传统指标临床转化难题