人工智慧輔助診斷慢性阻塞性肺病肺氣腫表型及其臨床實務應用

研究背景：
慢性阻塞性肺病（Chronic obstructive pulmonary disease, COPD）是一種因長期吸入有害物質或氣體導致氣流受限，且具有不可逆性及漸進式惡化的呼吸道疾病。肺氣腫（Emphysema）為其主要病生理機轉之一，因肺泡結構破壞導致呼氣時小氣道失去支撐而塌陷，形成空氣滯留（Air trapping）及死腔（Dead space），進而影響氣體交換。臨床上，肺氣腫主要依賴胸腔高解析度電腦斷層（High resolution computed tomography, HRCT）影像診斷，依據病灶特徵可分為中心小葉型（Centrilobular emphysema, CLE）、旁間隔型（Paraseptal emphysema, PSE）及全小葉型（Panlobular emphysema, PLE）三種表型。隨著醫學影像量化技術進步，市面上現況軟體可自動偵測肺氣腫病灶範圍，但對於肺氣腫的表型分類，目前仍然沒有自動化的判讀技術。本研究探討人工智慧技術於肺氣腫表型分類之應用，運用放射組學特徵(Radiomic features)分析與機器學習(Machine learning,ML)建構分類模型，合併運用個案的臨床特徵數據，有助於臨床決策制定，針對不同病情給予病患合適治療方針。
研究方法:
本研究為回溯性研究，資料來源為衛生福利部雙和醫院之HRCT影像。影像資料收集期間為2000年1月至2023年12月，涵蓋病患之臨床影像檢查紀錄。共納入20位三種不同放射學表型之肺氣腫個案，及一位正常肺組織個案做為對照組。在影像處理中，運用MATLAB R2024a版本及放射組學(Radiomics)在這20位三種不同肺氣腫個案以及1位正常肺組織個案胸腔電腦斷層病灶中提取影像定量特徵，涵蓋形狀特徵（Shape features）、強度特徵（Intensity features）和紋理特徵（Texture features），此外，通過分類學習器（Classification learner）進行33種機器學習模型訓練測試，採五折交叉驗證（5-Fold cross validation）與獨立測試集評估來確保模型的穩定及準確性。為評估其效能，使用精確率(Precision)、召回率(Recall)、特異性(Specificity)、準確率(Accuracy)、F1分數(F1 score)五項指標來預測每項模型，最終根據每項模型之平均準確值（Mean Accuracy）、標準差（Standard Deviation）、信賴區間（Confidence Interval）及科恩卡帕係數(Cohen`s Kappa)來整體比較和篩選，並與實際臨床數據結果進行對照驗證。
研究結果:
本研究初步結果顯示，結合放射組學分析與機器學習，依據HRCT影像病灶形態區分CLE、PSE與PLE三種肺氣腫表型。臨床變項中，改良英國醫學研究委員會呼吸困難量表(Modified medical research council, mMRC)在三組間呈現統計顯著差異（p = 0.0195），顯示主觀呼吸困難程度與表型分布具關聯性，其餘變項無顯著差異。在放射組學分析部分，經使用最小冗餘最大相關特徵選擇(Feature Selection using Minimum Redundancy Maximum Relevance,FSCMRMR)演算法篩選後，最終納入七項具辨別之影像特徵，涵蓋肺氣腫變化相關之形狀、強度與紋理特徵，反映其可捕捉臨床症狀異質性的潛力。
分類模型比較結果顯示，33種建模方法中以二次判別分析（Quadratic Discriminant Analysis, QDA）表現最佳，其於五折交叉驗證之平均準確率為97.12±0.86%，測試集準確率為96.10±3.34%；Cohen's kappa值則分別為0.95±0.01（驗證集）與0.93±0.06（測試集），結果顯示該模型在不同資料集間分類具有良好一致性與模型泛化能力。
結論:
整體而言，結合放射組學特徵分析與機器學習技術，有效區分不同肺氣腫表型，並與臨床數值建立統計關聯性，展現影像生物標記潛在應用價值及可行性。從HRCT影像中提取形狀、強度與紋理特徵，除了能反映無法用肉眼細微結構變化，有助於疾病的早期診斷、進展監測及分別性治療計畫，以提供病患的預後及生活品質改善具有價值性的臨床建議。分類模型於內部資料集中展現高準確率與穩定性，未來希望進行外部資料驗證，以評估模型泛化能力及臨床應用性發展。