基于深度放射组学与可解释AI的哮喘严重程度多中心CT评估：结合列线图与决策曲线分析的创新研究

为解决哮喘严重程度客观评估难题，研究人员开展了一项结合CT影像组学(Radiomics)、深度学习特征(Deep Features)和临床变量的多中心研究。通过开发Hybrid Deep Attention-LSTM混合模型，实现了95.7%的准确率和98.0%的AUC值，并运用SHAP分析和列线图(Nomogram)提升模型可解释性。该研究为哮喘精准分型提供了可重复、高精度的影像学生物标志物。

　　

哮喘作为全球范围内影响超过3亿人的慢性呼吸道疾病，其严重程度的准确评估一直是临床实践中的重大挑战。传统依赖症状频率、肺功能检测(FEV₁)和医生经验的主观评估方法，往往难以捕捉早期或中度疾病的细微表型差异。特别是在不同医疗中心间，评估标准的不一致性可能导致治疗方案的偏差。这种现状催生了对客观、可重复且具有生物学解释性的评估工具的迫切需求。

针对这一临床痛点，来自国内多中心的研究团队在《Journal of Radiation Research and Applied Sciences》发表了开创性研究。该团队创新性地将深度放射组学(Deep-radiomics)与可解释人工智能(XAI)技术相结合，通过1365例多中心CT影像数据，开发出能精确分层哮喘严重程度的机器学习框架。研究不仅实现了前所未有的分类性能，更通过SHAP分析和列线图等工具，使"黑箱"模型转化为临床医生可理解的决策支持系统。

研究采用了三项核心技术方法：首先从多中心获取的CT影像中提取215个标准化放射组学特征和512个基于注意力机制(Attention Mechanism)的深度特征；其次通过类内相关系数(ICC>0.75)和LASSO回归进行特征筛选；最后构建包括XGBoost、LightGBM和Hybrid Deep Attention-LSTM在内的多种机器学习模型，采用70/10/20的数据划分策略进行训练验证。

【3.1. 患者 demographics 和临床特征】
研究纳入了1365例患者，分为间歇性哮喘(506例)、轻度持续性哮喘(455例)和中度持续性哮喘(404例)三组。关键临床指标如FEV₁%、BMI、夜间症状等显示出显著的组间差异(p<0.001)，为模型构建提供了可靠的临床锚点。

【3.2. 放射组学和深度特征可靠性及选择】
通过严格的ICC筛选，67.9%的放射组学特征和83.6%的深度特征被确认为高重复性(ICC>0.75)。LASSO回归最终筛选出38个放射组学特征和56个深度特征，这些特征在后续建模中展现出互补的预测价值。

【3.3. 模型性能评估】
Hybrid Deep Attention-LSTM模型在联合特征集上表现最优，测试集准确率达95.7%，AUC达98.0%。显著优于单一特征集模型(p<0.001)，证实了多模态特征融合的优越性。

【3.5. 临床实用性】
研究创新性地将预测模型转化为临床实用的列线图，整合了FEV₁%、BMI等关键指标。决策曲线分析(DCA)显示该模型在所有阈值概率下均具有最优净收益，证实其临床转化价值。

这项研究的突破性在于首次系统性地验证了CT影像组学与深度学习特征在哮喘分层中的协同作用。通过严格的ICC筛选和多重特征选择，确保了模型的可重复性；而SHAP分析和列线图的应用，则架起了人工智能与临床实践之间的桥梁。特别值得注意的是，研究中发现的影像组学特征如灰度共生矩阵熵(GLCM entropy)和游程不均匀性(Run-Length Nonuniformity)，为理解哮喘的结构性改变提供了新的生物学视角。

尽管存在样本来源地域局限性和缺乏纵向数据的不足，该研究仍为哮喘精准医疗树立了新标准。未来整合基因组学、电子健康档案等多组学数据，有望进一步完善这一评估体系。从临床转化角度看，这种非侵入性、客观量化的评估方法，特别适用于症状报告不可靠的儿童或老年患者群体，有望改写当前哮喘管理指南。