呼吸系统疾病如感染性疾病、慢性阻塞性肺疾病（COPD）和肺癌，依然是全球公共卫生的重要挑战之一。为深入理解疾病机制、开发新疗法并有效评估候选药物，动物体内研究成为实验药物研发不可或缺的关键阶段。啮齿类动物（如小鼠、大鼠、仓鼠等）作为呼吸疾病研究中常用的模型，微型计算机断层扫描（micro-CT）技术因其无创性和高分辨率，在评估动物肺部疾病负荷、动态监测疾病进展及疗效方面发挥了重要作用，有助于缩小实验模型与临床研究之间的转化差距。然而，传统方法多依赖手动或半自动标注，耗时且存在主观差异，限制了其应用范围和效率。

研究团队从KU Leuven实验室收集了涵盖Down综合征、隐球菌感染、流感相关肺曲霉病、COVID-19、肺纤维化等多种肺病模型的数据，涉及多种啮齿类动物。基于2D U-Net架构，模型分别在横断面、冠状面及矢状面上训练，并通过五折交叉验证策略优化。采用图像灰度值转换至Hounsfield单位（HU）归一化及多种数据增强技术提升模型适应性。最终，通过多数投票和概率平均两种策略融合形成2.5D联合模型，实现更平滑准确的肺部分割。

图：模型开发流程

结果显示，2.5D概率平均模型在Dice相似系数（DSC）上达到0.953±0.023的最佳性能，显著优于单向2D模型。外部验证中，模型在多个公开数据集和大鼠模型中的DSC维持在0.89至0.94之间，展示了优异的泛化能力。此外，自动分割与人工标注提取的肺总量（TLV）、通气肺量（ALV）及非通气肺量（NALV）生物标志物高度一致，Pearson相关系数分别为0.98、0.99及0.84，证实了其在治疗反应监测中的实用价值。

图：内部验证结果

图：外部验证结果

图：模型适用于仓鼠和豚鼠外部数据集的概念验证

总之，本研究提出的基于深度学习的肺部分割与量化管线，解决了微CT大规模数据分析中的关键瓶颈，具有高效、准确、自动化和广泛适用的特点。该工具不仅能跨越不同肺病模型、动物种类及扫描配置，还支持实时监测肺部病理变化及治疗效果，为预临床肺部疾病研究及药物筛选提供了强有力的技术支持。未来工作将进一步探索提高标注质量的方法，并扩展至非啮齿类动物，以实现更广泛的肺部疾病研究转化。

原始出处

Belmans F, Seldeslachts L, Vanhoffelen E, et al. Automated quantification of lung pathology on micro-CT in diverse disease models using deep learning. EBioMedicine. Published online August 30, 2025. doi:10.1016/j.ebiom.2025.105904

本文相关学术信息由梅斯医学提供，基于自主研发的人工智能学术机器人完成翻译后邀请临床医师进行再次校对。如有内容上的不准确请留言给我们。

Tags： EBioMedicine：DSC达0.953！深度学习驱动的肺部分割与量化，为临床呼吸疾病药物研发赋能