作者：徐雪，顾问，上海交通大学医学院附属新华医院呼吸与危重症医学科

肺栓塞（pulmonary embolism， PE）是体循环的各种栓子脱落阻塞肺动脉及其分支引起肺循环障碍的临床病理生理综合征。PE是仅次于中风和心脏病的第三大心血管死亡原因。现有的诊断方式，特别是CT肺血管造影（CTPA）已经对PE的诊断做出贡献，然而PE的诊断和预后评估仍然存在一些挑战。机器学习（machine learning，ML）是计算机科学的一个分支，通过统计模型对复杂数据进行预测，在医学上的应用旨在提高疾病的诊断效率，减少临床医师和影像科医师的诊断压力。将其与PE的首选诊断方式CTPA相结合，便于高精度检测PE并进行分类，进一步帮助影像科医师快速做出诊断以改善PE患者的整体预后。

1.　ML 在医学领域的发展现状

ML是一个新生领域，它将大量资源用于计算机科学和统计学融合在一起的医学问题中，是计算机辅助诊断方向的未来，将极大地推动全球医疗保健事业的发展。ML主要是研究计算机如何从数据中学习并进行应用的学科，它产生于统计学和计算机科学的交叉点，旨在从数据中学习关系，其重点是高效的计算算法，从而进一步应用于要研究的方向。目前较为流行的研究方法有逻辑回归（LR）、支持向量机 （SVM） 和人工神经网络（ANN）等。

ML 因其卓越的性能和在大数据分析中的广泛应用，在生物学中发挥着重要作用。ML进一步分为有监督学习和无监督学习两大类，有监督学习方法必须要有训练集与测试样本，在训练集中找规律，再对测试样本使用这种规律；而无监督学习没有训练集，只有一组数据，在该组数据集内寻找规律。要实现理想的性能，有监督的 ML 算法需要大量标注样本作为训练数据。

在某些情况下，要获得足够的训练数据是不可能的，或者成本过高；在这种情况下，无监督学习和半监督学习就发挥了不可或缺的作用。最近，人们对ML 的兴趣主要集中在有监督学习上，特别是由于深度学习（DL）的引入，能给临床应用带来更大的价值。目前在医学领域有望用ML结合影像学特征来辅助进行疾病诊断，提高疾病诊断效能。一方面，可以自动处理二维或三维图像扫描以识别临床症状（如肿瘤或病变），确定可能诊断的疾病或分辨疾病的严重等级；另一方面是使用ML 进行诊断和预防预测，以帮助疾病的诊断工作。

2.　既往PE 诊断方式的优缺点

PE典型的临床症状是胸痛和静息时呼吸困难，但不具特异性，不能作为诊断PE的标准，只能筛选出疑诊患者。对于PE而言，早期准确诊断极其重要，对于诊断明确的患者直接口服抗凝剂是首选的治疗方案；对于更加严重即血流动力学不稳定的PE患者则采取溶栓的治疗方式，早期诊断和治疗能极大地改善PE 患者的生存率。对于疑诊PE 的患者，主要采取临床评分、D-二聚体测量和影像学检查（主要是CTPA）。

CTPA是诊断PE首选的影像学方法。CTPA具有扫描范围广、扫描速度快、空间分辨率更高等优点，能对病变部位、大小、形态等进行分析，并呈现出血栓的位置与血管充盈缺损的具体情况。CTPA是临床诊断PE最常用且准确率最高的影像学检查方法，其检查的无创性特点明显优于传统的“金标准”即肺动脉造影。对于对比剂过敏或者担心辐射伤害的孕妇，通气/灌注（V/Q）检查优于CTPA，但因其结果易受到肺炎、肺气肿的影响，并非临床首选的影像学检查。由于CTPA及VIQ检查费用的昂贵及等待时间较长、并发症较多的问题，临床常用D-二聚体排除一部分PE的可能性，进而无需行下一步检查。

但D-二聚体升高是非特异性的（如因衰老、炎症、癌症而升高），因此异常结果的阳性预测值较低，但其阴性预测值很高，这也是D-二聚体在PE诊断中的主要应用价值。由于D-二聚体检测方法种类繁多，在灵敏性和特异性方面各不相同，部分原因是它们用来定义正常值的临界值不同（即灵敏度和特异度之间的权衡），这些实际因素降低了D-二聚体的临床应用价值。提高PE患者早期诊断率并尽可能减少影像学检查及对比剂的使用，同时早期对PE的严重程度进行评估并给予恰当的治疗方案是临床医师和影像科医师共同努力的方向。

3.　ML 在辅助诊断PE 中的作用

ML 可以从大量的患者数据中筛选出与PE 发生密切相关的特征，如年龄、性别、体质量、吸烟史、家族史、D-二聚体水平等。这些特征可以作为预测模型的输入变量，帮助建立诊断模型以预测患者是否发生PE。例如：从患者的常规化验结果和病历中提取特征，包括血常规、生化、凝血常规和其他检验结果，以及症状和病史信息，并建立预测诊断模型；随后用于ML 模型中进行测试，包括支持向量机、逻辑回归、随机森林、XGBoost 和反向传播神经网络，最终发现 XGBoost 模型能显著提高PE 筛查的精确度、灵敏度和曲线下面积（AUC），大大提高其诊断效率。

有学者提出了一个有效的框架，该框架采用了深度神经网络（DNN）模型和基于置换的特征重要性检验（PermFIT）程序，即PermFITDNN。结果表明PermFIT-DNN 框架能稳健地识别出 PE 状态分类的关键特征，识别出的重要特征还有助于准确预测 PE 风险。同时，基于DL算法支持的CTPA检测PE从而提高了诊断性能。

同时，研究者们也提出基于ML方法建立PE风险预测模型，他们最终选用了GBDT 模型，其AUC为0. 799，同时也提出了D-二聚体最高水平对结局预测的价值最大，其次是血浆纤维蛋白原水平的极速增长率、住院时间和 D-二聚体水平的极速增长率对模型的预测效能价值最大。这些预测方式都能在患者进行影像学检查之前相对准确地诊断PE患者并尽早给予相应的治疗，对PE患者尤为重要。

4.　ML 在评估PE 严重程度中的作用

对于重症患者，特别是ICU中的患者，早期发现血流动力学改变即高危的PE是极其重要的。一种使用ML预测重症监护病房中危PE患者的血流动力学恶化的新模型被开发出来，使用了简化XGBoost模型，其AUC 为0. 885（95%CI： 0. 822～0. 935），该模型确实可以准确预测 ICU 中PE患者血液动力学恶化的发生，从而帮助临床工作者为 ICU 中的 PE患者提供更个性化的管理。

同时，有研究提出一种基于深度学习的方法，利用Qanadli评分和右心室与左心室直径（RV/LV）比值来检测PE并量化其严重程度。文章主要建立了一个通道包括：1） 检测血凝块；2）进行 PE 阳性与阴性分类；3） 估算 Qanadli 评分；4） 预测 RV/LV 值。该方法也证明利用基于人工智能的辅助工具检测血凝块并通过三维CTPA 检查估算 PE 严重程度评分是可行的。

对于PE患者，评估其肺动脉压力也是极其重要的，以便于进一步进行危险分层评估。右心导管检查是评估肺循环血流动力学参数的金标准，但由于右心导管检查的侵入性和昂贵性限制了其在日常实践中的广泛应用。因此，在CTPA上提出的使用ML框架以便准确分割肺动脉和心脏，自动评估肺动脉压的参数，并能准确区分肺动脉平均压（mPAP）和肺动脉收缩压（sPAP）。这项研究的结果可为未来无创CTPA数据提供更多的风险分层指标。

5.　ML 联合CTPA 进一步提高精确度

早期诊断和治疗PE可以降低病死率。临床医师和影像科医师更倾向于将CT作为第一手工具，它包含200～300幅用于诊断的图像。大多数情况下，临床医师和影像科医师很难集中精力查看所有扫描图像并给出正确诊断，从而导致误诊。因此建立了一个自动计算机辅助诊断（CAD）系统来协助医师做出决策，提出了一个基于 DenseNet201的DL框架，将CT扫描中的PE分为九类，该模型在准确率、灵敏度、特异度和AUC等方面都表现不错。

同样的，一个带有Xception编码器的U-Net架构的模型也被研究者建立出来，将CTPA 的影像进行扫描和切片，此模型也可以降低漏诊率，并最大限度地减少筛查扫描所需的时间，从而减轻临床医师和影像科医师的压力。同时可以利用DL算法检测和CTPA中急性PE（APE）的血块负荷，使用一个名为U-Net的完全DL 卷积神经网络（DL-CNN）来分割血栓。DL-CNN在检测PE方面达到了较高的AUC，可用于定量计算PE患者的血栓负荷。目前有学者提出，基于DL算法在CTPA上自动检测和分割PE。该算法基于DL，无需人工勾画PE区域轮廓。这极大地减轻了临床医师和影像科医师的工作量，并能给患者多一份保障。

6.　ML 联合CTPA 在PE 预后方面的应用

对于正在抗凝或溶栓的患者，如何停药以及何时停药是根据患者身体状况进行决策，有的患者甚至需要终身使用抗凝药。有学者提出可以利用ML确定停药30天后PE死亡或复发静脉血栓栓塞症复合风险增加的患者。其中使用的ML-神经网络是识别综合终点患者的最佳方法，使用停药前捕获的变量预测综合结果，其ROC 的AUC 为0. 96（95%CI：0. 95～0. 98），能很好地预测过早终止抗凝治疗后的综合结果，其效果优于传统的逻辑回归。这类模型可以很好地预测患者停抗凝药后的后果，并帮助医师对患者的身体状况进行评估，从而个体化的定制抗凝药的使用时间，以减少出血或再次栓塞等危险事件的发生。研究显示应用影像学检查可以对患者抗凝治疗后的疗效进行评估。

王安行等经过研究提出CTPA 对PE 患者抗凝治疗效果具有一定的预测意义，这也在疾病治疗效果评测方面提供了新的思路。CTPA的应用远不止于此，可以运用ML 对血流动力学稳定的患者进行预后评估。在CTPA的横轴图像上也可以测量右心室、左心室的短轴直径大小，作为评价右心功能的指标。同时，相关研究显示CT肺动脉阻塞指数（PAOI）作为评价肺动脉栓塞程度的参数，可以用来评价APE患者的严重程度，而PAOI与RV、RV/LV和肺动脉直径呈正相关。在未来，可以将ML与CTPA相结合，对患者心功能进行评估。

来源：徐雪,顾问.机器学习在肺栓塞中的应用进展[J].医学影像学杂志,2025,35(07):149-152.DOI:10.20258/j.cnki.1006-9011.2025.07.0032.