作者：王竹山，天津中医药大学医学技术学院；李鹏，李一鸣，天津市人民医院

肺动脉高压（pulmonary hypertension, PH）是一种由多种临床疾病引发的病理生理机能失衡，并且与各类心血管以及呼吸系统疾病存在关联。据文献报道，2001—2019 年PH 的死亡率整体上升。PH是一种异质性疾病，早期确诊并明确疾病特征有助于尽早确定最佳治疗策略。右心导管术（right heart catheterisation, RHC）是诊断和评估PH 的依据。但由于RHC 属于有创检查，病人耐受程度差，而且不能及时对肺小血管病变和影像学特征进行早期评估，故临床应用受到一定限制。CT 定量测量是一种通过软件对肺部结构进行测量的成像技术，能够通过视觉评估和定量解剖结构，推测肺部疾病的病理机制。另外，人工智能（AI）在PH 的诊断、监测及预后评估等方面具有显著作用。

1. PH 概述

2022 年欧洲心脏病学会和欧洲呼吸学会提出了PH 的定义及分类。PH 定义为静息时平均肺动脉压（mean pulmonary arterial pressure，mPAP）>20 mmHg（1 mmHg=0.133 kPa）。依据PH 的病理生理学特征、临床表现、血流动力学特点将其分为5 种类型：

（1）动脉性PH（pulmonary artery hypertension，PAH），定义更新为mPAP>20 mmHg、肺血管阻力（pulmonary vascular resistance，PVR）>2 mmHg·min/L 且肺动脉楔压（pulmonary artery wedge pressure，PAWP）≤15 mmHg，PAH 静脉/毛细血管受累特征的PH 和新生儿持续性PH；

（2） 左心疾病引起的PH；

（3）肺部疾病和/或缺氧引起的PH，并将肺淋巴管肌瘤病相关PH 归为3 类PH；

（4）慢性栓塞性PH（chronicthromboembolic pulmonary hypertension，CTEPH），并将慢性栓塞性肺动脉疾病（chronic thromboembolicpulmonary disease，CTEPD）归为4 类PH；

（5）未知因素引起的PH。PAH 涉及血管壁的结构和功能异常，包括肺血管收缩、血管重塑、丛状病变、中膜肥大、内膜增生、纤维化以及血栓形成，这些病理改变可使肺动脉狭窄和阻塞，进而出现右心室重塑及功能异常，最终造成PH。

左心相关的PH 包括多种机制，主要由于左心室充盈压升高，其次是左心房的功能障碍，引起左心房压力升高，使肺循环淤血以及血管收缩，从而引起血管重塑，随后导致右心室功能障碍，最终造成PH。

肺部疾病相关的PH 主要是由于慢性阻塞性肺疾病、肺纤维化合并肺气肿、间质性肺疾病的发展所致，这些疾病导致肺实质、气道以及肺血管的重塑，最终引起PH。CTEPH 主要是由于肺动脉内血栓栓塞后未完全溶解，引起纤维性梗阻（包括近端、远端肺动脉纤维性梗阻），从而引起PH，并且该类PH 还与微血管病变有关。未知因素所引起的PH 比前几类PH 的机制更为复杂，其致病因素包括缺氧性肺血管收缩、肺血管重塑、血栓形成、肺血管的纤维化破坏和/或外源性压迫、肺血管炎、高输出量心力衰竭以及左心衰竭，该类PH 的病理生理机制尚不清楚，有待进一步研究。

2. CT 定量测量

胸部CT 定量测量是一种对肺部结构实施定量评估的成像技术，包括肺灌注和肺血管定量评价。在肺灌注定量评价方面，通过灌注技术对肺实质进行分析，进而计算定量参数，以此评估肺灌注是否异常及其严重程度和分布情况。对于肺血管定量评价，需要在屏气条件下对血管进行分割提取，随后评估其定量参数。不同类型的PH 具有各异的影像学特征以及临床干预方式。因此，早期诊断并进行病因分类有助于尽早采取适宜的治疗措施，从而改善预后。CT 定量测量中计算得出的多种参数与其他临床指标相互结合，能够进一步加深对PH 的认识和了解。

2.1 肺灌注定量评价及应用

PH 主要是由于血管发生重构、收缩以及血栓继发的狭窄和阻塞。肺灌注单光子发射计算机体层成像（perfusion lung SPECT，PL-SPECT） 是一种诊断PH 的重要影像学方法，对于PH 灌注缺损有较高的敏感性，然而其无法定量评估，且空间分辨力低。肺灌注定量评价可显示肺动脉阻塞引起的肺实质灌注异常，通过多种技术可定量分析肺灌注情况，包括动态CT 灌注、双能CT（dual energy CT，DECT）和减影CT（substraction CT，SCT）。

CT 肺灌注定量参数与SPECT 具有一定的相关性，并且能够更客观地评估PH。传统CT 通过测量主肺动脉（main pulmonary artery，MPA）直径、右心室与左心室比（right ventricle to left ventricle ratio，RV/LV）可对PH 进行诊断和评估，然而这些参数只能反映形态学特征，无法全面反映PH 病人的血流动力学状态。

Bacon 等通过对双相DECT 测量的肺血容量（pulmonary blood volume，PBV）以及通过定量分析得出的全肺碘增强值（volumetric enhancement of each whole lung，WLenh）研究发现，从肺动脉期到7 s 延迟期后WLenh 的变化对诊断PH 具有较高的准确性，其受试者操作特征曲线下面积（AUC）为0.78~0.79，与MPA 直径诊断准确性相当，并优于RV/LV。此外，该研究还发现WLenh 的变化与mPAP呈正相关（r=0.62），RV/LV 与PVR 也呈正相关（r=0.53），表明肺灌注定量评价可反映PH 病人的血流动力学情况，而且有助于临床医生分析其严重程度，从而制定合理的治疗策略。

研究还进一步显示，最佳时相的灌注指标与常规CT 结合后的指标，与mPAP（r=0.71）和PVR（r=0.64）的相关性优于单个指标，这种多参数方法的结合可为评估PH 病人的病情、临床诊断及治疗提供合理的依据。此外，RHC 所测得的心脏指数（caradial index, CI）、心输出量（cardiac output，CO）可以很好地反映PH 严重程度，但该检查方法有创。Si-Mohamed 等通过对33 例CTEPH 病人进行研究，探究肺PBV 与严重程度之间的相关性，并且评估与CO、CI 的关系，结果发现定量PBV 与CI 呈正相关（r=0.519）、与CO 呈负相关（r=-0.672），也与PVR 呈负相关（r=-0.466）。

此外，对于CI≥2 L/（min·m2）和CI≥2.5 L/（min·m2）的CTEPH 病人，定量PBV 的AUC 分别为0.795 和0.752，表明该项指标可作为无创评估CTEPH 严重程度的标志物。CTEPH 的微血管病变通过增加PVR，导致血流动力学障碍，最终引发右心功能不全。有研究表明，数字减影血管造影呈现的胸膜下灌注不良可反映CTEPH 的微血管病变。Miwa 等通过DECT 对135 例CTEPH 和23 例PAH 进行半定量评估研究，结果发现51%CTEPH 病人和4%PAH 病人出现胸膜下灌注不良。

Onishi 等通过DECT 对CTEPH进行半定量评估，以明确微血管病变对该疾病的影响。采用DECT 测定平均全肺碘密度量化值来区分灌注不良组与正常灌注组，结果显示正常灌注组肺PBV 评分与PVR 呈显著负相关，而灌注不良组与PVR 无关，表明PBV 可评估CTEPH 微血管病变，为其提供关键量化依据，有助于深入剖析疾病病理生理机制及精准诊疗干预。SCT 对于PH 的诊断和评估也十分重要，与DECT 相比，其有更高的对比度。

Yamaguchi 等通过SCT 计算23 例CTEPH 病人的肺灌注减少面积（decreased perfusion area，DPA），随后计算DPA 比值（每个DPA 的体积与总肺体积的比值），发现0~10 HU 的DPA 比值与mPAP、PVR 有关，表明该项指标可为分析PH 严重程度提供帮助。CTEPH 的动脉阻塞数量、位置以及低灌注空间范围对于诊断和治疗非常重要。Bird 等对51 例CTEPH 病人进行双能CT 灌注成像，通过评估动脉阻塞和低灌注区域，发现全肺低灌注体积（hypoperfused lung volume，HLV） 在肺血栓动脉内膜切除术前与PVR 呈正相关（r=0.67），并且HLV 与手术前后PVR 的变化呈负相关（r=-0.52），表明HLV 可作为评估CTEPH 的一项重要指标。

不同类型PH 的病理生理学机制复杂多样，肺灌注定量评价对于不同类型PH 的鉴别具有重要的意义。Gertz 等采用定量肺灌注对30 例不同类型PH 进行研究，结果显示，不同类型PH 间比较，其灌注不良区域的百分比、平均碘密度、碘密度峰度、碘密度偏度等参数的差异均有统计学意义，3、4 类PH病人中灌注不良区域的百分比高于1、2 类PH 病人；此外，3、4 类PH 灌注异常的平均碘密度较低，碘密度偏度接近0，反映这两类PH 的灌注缺损更明显且碘含量分布较均匀，表明3 类PH 的微血管床重塑和4 类PH 的肺动脉阻塞。该项基于碘图分析的肺灌注定量评价的方法对反映PH 的分类及病理机制具有重要作用。

2.2 肺血管定量评价及应用

肺血管重塑也是PH的特点，其病理组织学特征是肺小血管的内膜和中膜增厚，从而引起血管管腔逐渐狭窄和较小的远端血管闭塞。肺血管重塑的程度与血管直径相关，并且mPAP 与内膜和中膜的直径呈正相关。此外，PH病人肺小血管的重塑与血管扩张性降低有关，使得PVR 增加和PAP 升高。这一病理生理机制促使肺微循环评估成为PH 的研究热点。可见，胸部CT 可定量分析血管形态学参数和功能性指标，从而实现对PH 特征性血管重塑的客观评价。既往大多数研究通过分析RV/LV、MPA 对PH的诊断具有优势，但未对PH 的严重程度进行深入探讨。

有研究通过定量分析RV/LV、MPA 直径等血管参数对PH 的风险进行评估，结果发现RV/LV和年龄是心血管不良事件的独立预测因素，RV/LV临界值为1.2 时，预测心血管不良事件的特异度为78%，当RV/LV 临界值为2 时，其特异度增加到100%。表明RV/LV 是心血管不良事件可靠的影像学预测指标。另有研究采用MPA 直径对PH 的预后进行评估，结果发现MPA 直径每增加5 mm，主要终点事件风险增加31%。

然而，传统MPA 和RV/LV指标只是从整体心脏结构和大血管层面进行评估，相对单一，并受到多种因素的干扰。肺小血管定量参数可以更细致地反映PH 对肺血管的影响，可有效控制其他因素的干扰。有大量研究通过定量测量肺小血管的体积、数量等参数评估PH，包括肺表面血管体积、肺小血管体积（small pulmonary vessel volume，SPVV）、动静脉体积比、动静脉数量比、不同横截面积肺血管体积（blood volume，BV）等参数。一项研究通过测量肺BV 及其占肺总容量比值（BV%）对PH 进行研究，结果发现横截面积＞10 mm2 的BV%（BV10%）升高，横截面积＞5 mm2 的BV%（BV5%）降低，从而反映了该疾病肺血管重塑的过程；此外，BV%与病人死亡风险有关，BV5%每降低10%，死亡风险比减少到0.63；BV10%每升高10%，死亡风险比增加到1.43。由此表明通过这些定量指标能获得更多的预后信息，可作为PH 筛查和风险分层的重要工具，然而该项研究着重于3 类PH 进行分析，并未分析其他类型的PH，因此BV 对于PH 的预后价值仍有不足。

Pienn 等通过分析肺血管形态与PH 预后的相关性发现，直径均为6~10 mm 的动脉与静脉数量的比值是一个可靠的预后指标，在预测低死亡率（AUC 为0.73）与高死亡率（AUC 为0.86）风险方面具有较高效能。但该项研究仅分析了肺小血管的形态学定量指标与PH 预后的关系，并未对不同类型PH 的肺小血管参数进行区分。

Shahin 等对不同类型的PH 进行定量评估，研究发现1 类和2 类PH 病人中距肺表面15、30 和45 mm 处的肺BV 大于4 类PH 病人，而直径≤2 mm 肺小血管的SPVV 大于4 类PH 病人，从而可对不同类型PH 进行区分；该研究还另外显示≤1.2 mm 肺小血管的SPVV≥50 mL 为PH 死亡率的独立预测因素，较大的SPVV 与较低的死亡率相关，研究表明SPVV 可作为预测PH 临床预后的一个新指标。综上所述，胸部CT 肺血管定量测量可评估PH肺血管的改变，进而对PH 进行分类及风险评估，但将来仍需要大量前瞻性研究进行验证。

3. AI 对于PH 的研究

AI 是通过计算机算法从数据中学习规律并执行特定任务的技术，其核心通过解析数据，自动学习数据的隐藏信息，最终对未知事件进行预测。机器学习（machine learning，ML）是AI 的分支，通过特征学习与算法构建模型，最终执行任务。深度学习（deep learning，DL）作为ML 的一个重要分支，是一种具有多层架构的智能化学习模式。卷积神经网络是一种针对特征识别、定位以及分类的DL 技术。肺血管的分割是分析肺BV、数量等参数，以及实现PH 分类和风险评估的基础。

在CT 肺动脉成像（CT pulmonary angiography，CTPA)上可准确分割肺血管，但手动分割测量存在观察者间差异大、耗时长以及精确度不高等问题，因此计算机辅助准确分割肺动脉十分重要。然而传统的分割方法因肺动脉形状复杂难以普遍适用，基于DL 的方法虽有进展，但肺动脉形状不规则、周围组织复杂，因此现有方法的精度仍需提高。

Liu 等采用U-net 和残差连接构建Res-Unet 模型来分割肺血管，研究表明该方法可大大提高对肺动脉的分割精度，但其样本量较小，而且只关注模型的分割效能，Res-Unet 模型在网络结构的复杂程度和运行效率方面仍需提升。Yuan等将残差模型与混合损失函数导入ResNeSt-50中，从而构建肺动脉分割网络（PA-net），研究显示该网络具有良好的分割效能（Dice 相似系数为0.938），能够更有效地识别肺动脉栓塞并且提高对肺动脉的分割精度。

此外，该项研究的模型具有较高的复杂程度，有效提升了肺动脉分割的精度和模型效能，为疾病的诊断提供了强有力的支持，但该研究也受样本量的限制，面对更广泛的临床应用情况时，模型的表现可能不稳定。Kahraman 等收集700例CTPA 数据，并开发全自动算法，在测试集和外部验证集中，该算法对肺动脉干的检测率和分割成功率均为88%，对升主动脉的检测率和分割成功率均为86%，并且对降主动脉的检测率和分割成功率均为90%。此外该算法与放射科医生测量结果高度相关（r 为0.68~0.99），其测量结果更接近放射科医生的测量值。

总之，该研究样本量较大，并且算法效能出色，可为放射科医生提供更有价值的测量结果。越来越多的研究通过结合AI 对PH 进行分析，判断其能否很好地预测PH 病人的临床结局。Charters 等研究显示，基于卷积神经网络建立的CT 自动RV/LV 测量模型与血流动力学参数的相关性（mPAP：r＝0.53；PVR：r=0.607）优于手动测量MPA直径与血流动力学参数的相关性（mPAP：r=0.421;PVR：r=0.382），而且也优于手动测量MPA/AA 与血流动力学参数的相关性（mPAP：r =0.39; PVR：r =0.381）；研究还发现RV/LV 与PH 病人死亡风险呈正相关，并通过多阈值分析发现RV/LV≥1.12 提示死亡风险增加，RV/LV≥1.335 提示高危状态，这为病人的预后评估提供了重要依据。

Gawlitza 等研究显示，基于CT 特征训练的ML 模型能对CTEPH 病人进行风险分层，预测平均动脉压的AUC 为0.82，预测血氧饱和度的AUC 为0.74，表明该方法可对病人进行基本风险分层，为无创术前评估提供了新方法。有研究通过DL 对CTPA 肺血管自动分割，并且量化肺动脉迂曲度，结果发现肺动脉迂曲度与mPAP、PVR 呈中度正相关。此外，AI 结合CT 的方法可在一定程度上区分PH。Dwivedi 等训练的基于DenseNet121 的DL 模型与放射科医生分别对肺纤维化进行量化，结果显示DL 模型可更好地区分1 类和3 类PH；研究还发现经AI 量化的肺纤维化百分比与PH 病人死亡风险呈正相关，并确定了纤维化阈值为3.43%，而且该阈值成为1 类和2 类PH病人存活率低的重要预测依据。

来源：王竹山,李鹏,李一鸣.CT定量测量及人工智能技术在肺动脉高压评价中的研究进展[J].国际医学放射学杂志,2025,48(04):454-459.DOI:10.19300/j.2025.Z22050.