Machine/Deep Learning-Based Position Prediction of Pulmonary Nodules in Free- Breathing CT-Guided Lung Puncture: A Single-Center Prospective Cohort Study
这项单中心前瞻性研究表明，一种仅利用基线 CT 扫描结合便携式鼻气流或呼吸感应描记信号的新型机器学习框架，能够实现对自由呼吸状态下肺结节位置的亚毫米级实时预测，从而在无需屏息或额外动态成像的情况下，提高 CT 引导下肺穿刺术的安全性和效率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，一位医生正试图将一根细小的针头精准地刺入患者胸腔内一个微小的、移动的目标。这是一个常规但极其精细的操作，用于诊断或治疗肺结节——这些微小的生长物可能是良性的，也可能是恶性的。挑战在于，肺部从未真正静止；随着每一次呼吸，肺部都在扩张和收缩，导致目标随之上下漂移。为了补偿这种移动，医生通常会要求患者屏住呼吸，但这对许多人来说很难，尤其是老年人或患有肺部疾病的患者。如果患者无法保持不动，医生就必须进行多次 X 射线扫描来追踪运动，这增加了辐射暴露，并延长了患者在手术台上的时间。多年来，医学界一直在寻求一种方法，能够精确预测在正常呼吸过程中，该目标在任何时刻的具体位置，从而让医生能够精准瞄准，而无需强迫患者停止呼吸或进行无数次额外的扫描。
北京大学人民医院的一个研究小组开发了一种利用人工智能和简单、便携式传感器解决这一问题的新方法。在最近一项涉及 139 名患者的研究中，他们测试了一个能够以亚毫米级精度预测肺结节垂直运动的系统。研究人员并没有依赖昂贵、复杂的机器或新型高辐射扫描，而是使用标准的规划 CT 扫描初步定位结节，然后将轻便、无创的传感器贴在患者的面部和躯干上。这些传感器类似于睡眠诊所中使用的设备，通过监测鼻腔中的气流以及胸部和腹部的扩张情况，来记录患者自然呼吸的状态。
这项研究的核心在于观察计算机是否能够学习这些呼吸信号与肺结节实际运动之间的关系。研究团队收集了 143 个结节的数据，记录了在患者自由呼吸期间，通过多次 CT 扫描获取的每个结节的确切位置。他们将这些信息输入到两种不同类型的计算机模型中：一种是基于统计学方法（支持向量机）的模型，另一种是被称为 ResNet-18 的深度学习算法。其目标是让计算机能够根据任何时刻的呼吸信号，预测出结节的确切位置，即使患者正处于呼吸周期的中间阶段。
结果非常精确。当这些模型在从未见过的新数据上进行测试时，统计误差（以均方误差表示）约为 0.166 至 0.198 mm²。至关重要的是，研究明确证实，所有模型的结节位置实际绝对预测误差均保持在 0.5 mm 以下。为了直观理解，人类头发的厚度大约为 0.05 到 0.1 毫米，这意味着该预测精度足以追踪远小于单根头发宽度的运动。无论患者是仰卧、俯卧还是侧卧，也无论结节位于肺的上部还是下部，该系统都能稳定地保持良好的表现。模型在使用鼻腔气流信号时表现略优于使用胸带信号，但两种方法都达到了临床应用所需的高水平精度。
这种方法为这些手术的开展方式带来了显著转变。目前，如果患者无法屏住呼吸，医生必须反复暂停操作，进行新的扫描并检查针头的位置，这增加了时间和辐射暴露。有了这种新的预测工具，理论上医生可以知道在呼吸周期的每一秒钟内，结节处于什么位置。这将使手术过程更加顺畅、快速，针头可以连续引导，而无需频繁中断或强迫患者屏息。该系统仅需标准的 CT 扫描仪和小型便携式监测设备，是一种低成本的解决方案，可以集成到现有的医院工作流程中，而无需昂贵的机械臂或重大的基础设施变革。
这项研究是一项单中心前瞻性试验，这意味着研究人员专门招募了参与本研究的患者，并全程跟踪其诊疗过程，而不是回顾旧病例。虽然结果令人鼓舞，但作者指出，该系统主要是在针对特定类型肺结节术前定位的患者身上进行的测试。他们建议，需要进一步测试以确认该方法是否同样适用于其他手术，例如组织活检或烧灼肿瘤，以及在配备不同设备的其它医院是否同样有效。然而，研究结果表明，利用简单的呼吸信号和机器学习技术，追踪肺结节的隐形运动在实时状态下是完全可能的。通过将呼吸带来的混乱运动转化为可预测的模式，这项技术可以让肺部介入治疗变得更安全、更快速，并减轻无法屏息患者的负担。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。