2025年2月28日是第18个国际罕见病日，今年的国际罕见病日的宣传主题是“不止罕见（More than you can imagine）”，旨在提高公众对罕见病及罕见病群体的认知，帮助罕见病患者及时诊断干预，提高生存质量。《中国医学论坛报》特别邀请中国医学科学院北京协和医院徐凯峰教授就“呼吸遗传与罕见病”主题组稿，与中华医学会呼吸病学分会呼吸遗传及罕见病筹备学组合作呼吸遗传及罕见病专刊。本次专刊包括研究进展、指南解读及病例解析，期待此次的精彩内容能够为广大读者带来启示和帮助。

深度学习模型概述

卷积神经网络是一类主要用于处理图像数据的深度学习模型。通过卷积层、池化层和全连接层的逐步计算，能够有效提取图像中的特征，无须人工设计特征，目前广泛应用于医学影像的智能分析和辅助诊断。

循环神经网络是一种用于处理序列数据的神经网络模型，由于其层与层之间的节点相互连接，能够利用之前的信息在当前内容中输出，在时序预测和序列分析上有较强表现。其衍生模型包括长短期记忆网络和门控循环单元等。在医学中，RNN常用于心电图、脑电图和呼吸频率等连续监测数据。

Transformer是一种以自注意力机制为核心的深度学习架构，适用于序列数据处理，相较于RNN，Transformer可以并行处理整个序列，更高效地处理数据，广泛应用于自然语言处理和计算机视觉领域。作为当前主流模型的基石算法，Transformer及其多种衍生模型在医学领域展现出了巨大潜力。

LLM和VLM均是基于Transformer架构的深度学习模型，是近年来在自然语言处理领域取得革命性突破的模型，如第四代生成式预训练变化（GPT-4）、双向编码器表征（BERT）、深度求索（DeepSeek）、对比语言图像预训练（CLIP）等。它们基于千亿级参数的深度神经网络架构和大量的数据训练，实现了对人类语言及跨模态信息的理解和生成。

目前LLM在多个方向取得了显著技术进展。在检索能力方面，检索增强生成技术使得LLM可以通过实时检索相关信息，引入外部知识库，缓解了LLM部分领域知识不够完备且无法及时更新，容易生成大量虚假内容的问题。在思维能力方面，LLM引入思维链、反思机制等技术实现了复杂问题解决能力的跃升，使模型能分步推导并验证结论。近期火爆的DeepSeek深度思考功能实现了LLM推理过程的可视化，部分提高了深度学习模型的可解释性，为非技术背景的用户提供了更直观的理解。

VLM是一类专为处理图像与文本多模态数据设计的深度学习模型，通过联合训练视觉编码器和LLM，可以实现多模态信息输入和输出，常应用于图像识别、视觉问答等。

在医学领域，LLM和VLM也展现出了颠覆性的潜力，目前大语言模型在临床诊断和药物研发等领域已有多项应用。在罕见病领域，已有报道刘（Liu）等开发了医学大语言模型MedFound-DX-PA用于辅助疾病诊断，在各个专科罕见病的诊断场景均表现优异，在辅助罕见病临床诊治方面极具潜力。

其他深度学习模型在医学中的应用也有进展。如生成对抗网络通过对抗训练生成数据，用于图像生成、数据增强以及模型训练；扩散模型则通过逐步添加噪声破坏数据，再通过逆向去噪过程生成高质量样本，尤其适用于医学影像生成；深度信念网络广泛应用于图像识别、语音识别和自然语言处理等领域，通过其强大的特征提取能力，能够显著提高任务的准确率和性能。

此外，深度学习与强化学习技术结合也带来了新的突破，强化学习不同于常见的无监督学习和有监督学习，智能体根据行为后环境反馈的奖励而调整策略，以最大化长期累积奖励，从而在复杂环境中做出最优决策，为疾病诊断和治疗方案的优化提供了新的思路。

深度学习在呼吸罕见病诊治中应用的最新进展

近年来，深度学习在呼吸罕见病的诊治中进行了一系列的应用，现以下列疾病为例介绍深度学习模型的开发和应用（图1）。

图1呼吸罕见病深度学习模型构建流程及应用领域示意图

IPF是一种原因不明的慢性进行性纤维化性间质性肺炎，主要发生于老年人，以呼吸困难和肺功能进行性恶化为特征，预后较差。

希莱（Thillai）等纳入446例患者，基于胸部计算机体层摄影（CT）构建了三维卷积神经网络和U-Net架构的分割模型，该模型可快速分割IPF的CT扫描图像，提供影像分型，为疾病的诊疗决策和预后提供依据。在另一项研究中，基姆（Kim）等利用CT数据和胸片数据训练2DU-Net回归网络模型实现通过胸片评估总肺容量并探索了其在预测IPF患者生存与预后中的应用。

CF是一种常染色体隐性遗传性疾病，主要由囊性纤维化跨膜转导调节蛋白基因突变所致。

扎维力斯（Tzavelis）等在一项纳入36例CF儿童患者的前瞻性研究中，开发了一种可穿戴机械声学传感器，通过传感器采集咳嗽声音数据，采用CNN和ResNet50构建咳嗽分类模型，模型AUC为0.96，对运动伪影识别准确率超95%，为CF患儿的病情监测提供了新的工具。此外，李（Lee）等回顾性纳入5883例成年CF患者，基于患者基本信息、疾病相关指标、治疗情况等长期随访数据构建动态深度生存分析模型（Dynamic-DeepHit），在预测囊性纤维化患者疾病进展和死亡风险方面表现优异。

LAM是一种罕见的全身性肿瘤疾病，与肺囊性破坏、乳糜液积聚和腹部肿瘤有关。

在淋巴管肌瘤病的研究中，戈尔布斯（Golbus）等纳入了60例LAM患者，使用特定滤波器和深度学习重建技术开发了超低剂量扫描，可大幅降低胸部CT辐射剂量并维持LAM患者囊肿定量准确性和图像质量，为LAM患者的长期监测提供了更安全、更有效的手段。

未来展望

近年来，深度学习在呼吸罕见病的诊疗领域取得了显著进展，凭借特征提取的高效性、高抽象映射能力，以及自注意力机制等技术的引入，能够快速处理复杂数据并提取关键特征，为疾病诊治提供了有力支持。然而，深度学习在实际应用中仍存在一定局限。

首先，呼吸罕见病患病病例稀少，模型的性能提升面临瓶颈，可能出现过拟合、长尾问题等多种限制。其次，深度学习模型训练及应用时数据使用知情同意不充分可能引发法律与伦理风险。除此之外，深度学习“黑箱”特性导致模型决策缺乏可解释性，容易产生虚假内容，临床医生难以完全信任其输出结果，这也限制了其在临床实践中的广泛应用。

未来，深度学习将在呼吸罕见病的诊疗等方面发挥更大的作用，推动精准医学的发展和个性化医疗的实现。

综上所述，深度学习将为呼吸罕见病的诊断、治疗及个性化管理提供更为强大的支持，为患者带来更多希望。