基于深度学习的术后肺功能评估研究

低剂量CT筛查技术的进步使得早期非小细胞肺癌（NSCLC）的诊断率有所提升，而手术切除——通常是肺叶切除或肺段切除——仍然是主要的治愈性选择。 然而，在香港，患者常常伴有慢性呼吸系统疾病或心血管问题等合并症，因此保留健康的肺组织对于他们的长期生活质量至关重要。 传统的手术切除，如肺叶切除或肺段切除，在功能保留方面存在一定的局限性。 相比之下，近年来机器人/导航支气管镜消融术作为一种新型的微创内镜治疗策略崭露头角。 该方法已在部分中心实施，并显示出潜在的优点，包括术后恢复更快、创伤更小以及肺功能保留更佳。 通过利用先进的导航系统，支气管镜消融术能够精确定位和消融肺结节，避免了传统手术所需的大量健康肺组织切除。 这些优点有望提升患者的长期生活质量和生存率。

此外，传统的肺功能测试，如第一秒用力呼气容积和一氧化碳弥散量，仅能提供呼吸能力的整体评估，可能无法完全捕捉肺段切除或肺叶切除后发生的肺功能区域变化。 同样，基本的CT容积测量忽略了更精细的解剖细节，如肺段气道分布、微血管网络和局部肺泡顺应性。 此外，目前关于机器人/导航支气管镜消融术与传统手术切除在术后肺功能和长期结果方面的直接比较研究还很少。 在研资局的支持下，我们自2019年以来的工作已验证了该技术的可行性和安全性，获得了广泛认可并发表了多篇论文。 然而，大多数现有研究是回顾性的或基于单中心数据，主要关注短期安全性和技术可行性。

为了应对这些局限性，本文提出了一种结合3D-CT成像和机器学习（ML）的综合方法。 机器学习是一种利用算法自动从数据中学习并做出预测或决策的技术。 深度学习作为机器学习的一个子领域，利用多层神经网络有效提取复杂高维数据中的特征并识别模式。 机器学习，特别是深度学习，已在多种医学影像应用中展现出显著潜力，包括病变检测、组织分割和结果预测。 通过自动学习高维数据中的复杂模式，机器学习和深度学习模型能够解读传统分析可能遗漏的细微放射学特征。 在NSCLC的3D-CT成像背景下，深度学习架构——如卷积神经网络——可以从容积扫描中提取详细特征，从而实现对肿瘤大小、形状和位置的稳健量化，以及对肺实质的精细评估。 当与肺功能参数和临床数据结合时，这些算法提供了一种强大的手段来生成预测模型、更早识别高危患者并指导个体化治疗规划。 此外，机器学习驱动的方法能够随时间适应不断演化的数据集，持续优化和改进其性能。 这种可扩展性和适应性在前瞻性研究中尤其有价值，因为这类研究收集了大量多模态数据集以评估不同治疗策略的长期影响。 因此，在本研究中融入机器学习和深度学习不仅提高了结果预测的精确度，还有助于建立一个动态、个性化肺功能评估的标准化框架，从而指导更明智的临床决策。

本研究的主要目的是确定肺段切除是否真的比肺叶切除提供更好的功能保留，机器人/导航引导的支气管镜消融术是否确实比传统手术切除实现更优的肺功能保留，以及在哪些特定患者条件下每种方法可能带来最大益处。 通过开展一项前瞻性、设计良好的调查，本研究将填补关于长期功能结果证据的关键空白，为选择最合适的切除类型提供更清晰的标准。 此外，引入标准化的综合评估工具有望优化手术决策和术后护理，最终提高香港早期NSCLC患者的生存率和生活质量，并可能为其他医疗环境的最佳实践提供参考。