钟南山院士/卢文菊教授团队发布了基于胸部CT的深度学习模型-Auto COPD^[3]，该模型通过多中心回顾性研究，纳入4106名参与者，分为推导队列（1950人）和四个外部验证队列（1703人），另用美国国家肺部筛查试验NLST队列（453人）验证跨种族外推性。整合收集问卷信息、CT报告和从吸气CT 中提取的QCT特征。使用极端梯度提升（XGBoost）和混合特征选择建立多模式框架，通过十折交叉验证和贝叶斯优化调整超参数。结果显示：AutoCOPD模型使用10 个QCT特征，在内部验证队列中AUC 为0.860，在外部验证队列中AUC 为0.881-0.915，在NLST 队列中AUC 为0.881。与其他工具比较，仅使用10 个QCT特征就可以准确检测异质性慢阻肺病，在不同临床环境中具有通用性，可作为早期检测慢阻肺病的可行工具，减少常规实践中的延迟诊断。

脉冲振荡技术（IOS）是一种评估呼吸系统力学特征的非侵入性检测方法，研究表明，对于小气道功能障碍（SAD），IOS在肺功能正常受试者中，可更敏感发现SAD^[4]。基于我国多中心IOS数据资料统计分析发现，以fres z-score用于诊断慢阻肺病的曲线下面积（AUC）值为0.807，敏感度为70.6%，特异度为50.7%，提示IOS可能成为无法配合肺功能检查的患者诊断慢阻肺病的一种有效补充手段^[5]。但由于IOS参数与慢阻肺病临床诊断标准之间缺乏直接映射关系，限制其临床应用，因此，有研究者应用IOS测试结果，建立了基于人工智能的慢阻肺病诊断模型，经验证，模型准确率为0.920，特异性为0.941，精确率为0.875，且基于临床理论，从原始特征中衍生出二维特征电抗面积（AX）这一新的参数，提高了诊断准确率^[6]。新近的研究也提示，基于IOS的支气管舒张试验（BDR）在识别慢阻肺病早期病理生理变化中的潜在价值，有助于指导医师进行早期干预。该研究依托中国广东早期慢阻肺（ECOPD）队列，以R5绝对变化值≤-0.137 kPa/L/s、X5绝对变化值≥0.055 kPa/L/s、或AX绝对变化值≤-0.390 kPa/L定义为IOS-BDR阳性，发现X5-BDR、AX-BDR和IOS-BDR的比例随着慢阻肺病气流受限严重程度的增加而增加。与没有IOS-BDR的参与者相比，IOS-BDR阳性患者有更多的呼吸道症状，更严重的肺气肿和空气潴留，并且在2年随访中肺功能下降更快^[7]。为了让操作简便的IOS检测更适合基层和社区筛查，黄克武教授团队纳入我国5家三甲医院2.4万余人的肺功能数据，同时进行IOS和肺功能检查，采用多变量线性回归开发预测FEV₁/FVC的方程，并通过ROC曲线评估模型对气流阻塞和慢阻肺病的识别能力，最终构建了基于IOS参数的FEV₁/FVC预测模型。研究表明，该模型估算的FEV₁/FVC可良好识别气流阻塞和慢阻肺病，在内部验证集中AUC分别为0.822和0.849，在外部验证集中AUC分别为0.790和0.828；该研究进一步建立了慢阻肺病的临床筛查路径，模型识别慢阻肺病的敏感度和特异度分别为88.0%和77.0%。应用在中国慢阻肺病患病率不同的人群中的阴性预测值为93.7%至98.6%，阳性预测值为26.5%至62.1%^[8]。

传统的检测方法对呼吸气流中所包含的信号特征及其时间维度信息未充分探索。虽然目前对呼吸的连续监测不断发展，如利用可穿戴呼吸传感系统持续监测呼吸频率、通气阈值^[9]；利用电阻抗断层成像技术重建肺部的电阻抗分布图像等，但均未能直接利用呼吸气流输出的压力、流量信号。我们团队在马德东教授带领下，利用确定学习算法生成受试者呼吸动力学图（RDG），探索慢阻肺病患者呼吸动力学图特征，以期对慢阻肺病早期诊断提供新的方法。我们纳入慢阻肺病/慢阻肺前期37人、健康对照36人，受试者通过6分钟步行试验中佩戴NOX T3®睡眠监测仪，采集步行期间气流压力信号，将采集信号导入Matlab软件，利用确定学习算法建模并可视化得到RDG。通过分析发现，健康对照组RDG以左右翼对称为主，慢阻肺前期大多数患者图像左翼缺损（8，80%），GOLD1级慢阻肺病患者与慢阻肺前期图像相似（9，81.82%）。GOLD2慢阻肺病患者主要显示右翼缺损（8，72.73%），GOLD3-4级为左右翼对称（5，100%）。研究结果提示RDG可为慢阻肺前期的早期识别提供线索，且部分患者图像缺损随运动时间变化，RDG可能作为早期评估气体陷闭及动态过度充气的方法。

医工交叉通过智能硬件、AI等技术革新，正重塑慢阻肺病早期诊断格局。未来需进一步强化技术-临床协同，推动筛查工具标准化、基层服务可及化，最终实现 “早筛一早诊一早治” 的全程防控目标。

本文由中国医学论坛报呼吸与危重症编委会、复旦大学附属中山医院张静教授组稿