肺癌免疫检查点抑制剂相关肺炎的多模态影像组学与AI动态管理专家共识

共识形成方法

本共识的制订遵循世界卫生组织(World Health Organization, WHO)2014年发布的《世界卫生组织指南制订手册》及中华医学会2022年发布的《中国制订/修订临床诊疗指南的指导原则(2022版)》[14-15],并依据国际实践指南报告标准(RIGHT)以及指南科学性、透明性和适用性评级工

具(STAR)撰写全文[16]。

一、共识注册

本共识在国际实践指南注册平台(http://guidelines-registry.cn/)上进行了前瞻性注册,注册号为PREPARE-2025CN661。

二、共识发起机构

本共识由中国研究型医院学会放射肿瘤学专业委员会、河北省数理医学学会、华北理工大学附属医院发起,由华北理工大学人工智能学院提供方法学支持。

三、共识制订工作组

本共识制订工作组由顾问专家组、执笔专家组、讨论专家组组成。顾问专家共5人,主要职责是指导文献检索、数据挖掘及影像医工融合技术的证据评估,并对共识初稿进行审核并提出修改意见。执笔专家组共18人,由呼吸与危重症医学科、肿瘤科、影像科、放射治疗科、医学工程与AI领域具有丰富指南制订经验的临床医师和方法学家组成,主要职责是确定共识主题和范围,并审核、管理利益冲突情况;对其识制订整个过程进行质量控制;按照人 群-干 预-对 照-结局(Participants-Interventions-Comparisons-Outcomes,PICO)原则调研临床问题;文献检索和证据评价;撰写证据说明和推荐意见;协调共识制订相关事项;撰写共识全文并提交顾问专家审核;根据专家意见批准推荐意见和共识全文。讨论专家组共50人,主要由医学影像、呼吸内科、肿瘤学科及AI等多学科成员组成,主要职责是负责审核推荐意见的科学性与可行性,对共识提出问题的推荐意见进行投票。

四、共识制订质量控制

本共识采用PICO原则设计问题[P——接受ICIs治疗且出现呼吸道症状或影像学异常的患者;I——医学影像技术(HRCT、AI辅助诊断、影像组学)与医工融合策略(AI技术、大数据分析、软件开发技术);C——传统影像学评估或单一学科诊疗模式;O——诊断准确率、治疗反应评估效率、患者生存率、医疗成本效益],并根据解构的问题进行系统检索,分阶段推进(问题汇总→专家筛选→初稿形成→专家审核→修改提交),并组织多轮专家通过线上会议进行指导。同时,由顾问专家监督流程规范性、证据检索评价的全面性。本共识制订过程中实施全程文档电子化存档、可追溯。对于有异议的问题,通过线上会议进行讨论,以保障共识的科

· 4 ·

数字医学与健康XXXX年XX月第XX卷第XX期Digit Med Health,XXXXXX,Vol.XX, No.XX

学性与可信度。

五、临床问题的收集和遴选

执笔专家组在征求各方意见和建议后,充分查阅和总结国内外发表的CIP相关研究,并参考此前国内外组织发表的相关指南及共识,通过归类、去重、合并,初拟16个临床问题、35条推荐建议。经过多学科会议征集问题,聚焦影像医工融合方向,最终本共识纳入14条核心问题、30条推荐建议。

六、利益冲突管理

所有参与本共识制订过程的成员均签署了利益冲突声明表,均承诺与医疗影像设备制造商、AI算法公司、软件开发公司等均不存在直接经济利益关系。

涉及AI工具推荐时,需公开算法开发方的资助背景及技术验证数据。

七、证据的检索、评价与分级

检索数据库:中文数据库(包括中国生物医学文献数据库、万方数据库、中国知网数据库);英文数据库(包括PubMed、Embase、Cochrane Library),主要纳入系统评价、Meta分析、网状Meta分析、随机对照试验、队列研究、病例对照研究、病例系列分析、病例报告等。检索年限为2009年4月至2024年9月。检索词主要包括“肺癌(lung cancer)”“免疫检查点抑制剂(immune checkpoint inhibitors)”“免疫检查点抑制剂相关肺炎（checkpoint inhibitor-related pneumonitis）”“人工智能(artificial intelligence)”“机器学习(machine learning)”“影像组学(radiomics)”“医工融合(medico engineering cooperation)”等。证据等级划分标准见表1。

|证据等级|定义| |---|---| |1a|同质RCT的系统评价| |1b|结果可信区间窄的单个RCT| |1c|显示“全或无效应”的病例系列研究| |2a|同质队列研究的系统评价| |2b|单个的队列研究(包括低质量的RCT,如随访率<80%)| |2c|结果研究或生态学研究| |2c|病例系列分析或病例报告| |3a|同质病例-对照研究的系统评价| |3b|单个病例-对照研究| |4|病例系列研究、低质量队列研究或病例-对照研究| |5|专家意见(即无临床研究支持的仅依据基础研究或临床经验的推测)|

注:RCT为随机对照试验

八、形成推荐意见

证据等级和推荐意见采用德尔菲(Delphi)法结合多学科专家讨论,遵循WHO和中华医学会的指南制订流程。

在问题遴选阶段,执笔专家组基于PICO原则初拟16个临床问题,经多学科会议研讨聚焦为14个核心问题;随后进入证据检索与评价环节,依据证据等级标准对文献进行分级,优先纳入1a级等高质量证据,由执笔专家组整理提交证据摘要。

在多轮投票过程中,讨论专家组进行3轮匿名投票,每轮投票后,顾问专家组独立表决,根据专家反馈意见对推荐内容进行修订。其中,推荐意见依据专家同意率划分证据等级[17]:强推荐(1级)需获得共识专家组90%以上同意率,中等推荐(2级)需80%~90%同意率,弱推荐(3级)需70%~79%同意率。

在反馈处理阶段,讨论专家组对专家提出的意见逐一评估,必要时补充文献检索或调整推荐内容,持续优化推荐意见。经过3轮投票及修订,直至所有推荐意见达成≥70%同意率,最终形成30条推荐意见撰写成文。

九、共识的撰写、外审与批准

执笔专家组基于共识的推荐意见,完成共识全文初稿,然后提交外审专家进行审阅。基于外审专家的反馈意见,共识执笔专家组对整体意见进行修改,最后由顾问专家牵头,所有专家进行讨论并批准指南的发布。

十、传播与实施

主要通过以下方式对共识进行宣传和推广: (1)在专业期刊或公众号、网站等媒体上进行宣传; (2)在肿瘤学及呼吸与重症医学科领域的学术年会上进行共识的宣讲与解读,确保临床医师及其他利益相关群体在充分了解的基础上正确应用该共识。

组学相关工作及深度学习技术需由多学科团队实施:临床医师(肿瘤科、影像科等)主导临床需求与数据解读,医学工程师负责影像标准化与算法开发,科研人员开展特征提取与模型优化。临床实践中,先通过标准化CT采集(层厚≤1mm)与多中心数据库构建消除设备差异,再开发多模态模型(影像组学+临床特征+生物标志物),经多学科诊疗(multi-disciplinary treatment, MDT)验证后逐步落地,用于早期筛查与动态监测。以标准化流程解决数据异质性,可行性较高,可解决临床对CIP精准诊疗的迫切需求,并推动技术持续转化。

数字医学与健康 XXXX年XX月第XX卷第XX期 Digit Med Health, XX XXXX, Vol. XX, No. XX

·5·

十一、共识的更新

计划在3-5年内对本共识的推荐意见进行更新,按照国际指南更新方法(CheckUp)[18]进行。

十二、共识的目标和适用人群

本共识适用于接受ICIs治疗并疑似或确诊CIP,需通过医学影像技术(如HRCT、PET/CT)进行诊断与疗效评估的患者。临床医师包括肿瘤科、呼吸科、影像科、重症医学科医师;医学工程人员包括影像技术工程师、AI算法开发者、影像组学研究人员;医疗机构管理者包括负责CIP多学科诊疗流程设计与影像技术设备配置的人员。

本共识不具备强制性,不作为医疗事故鉴定和医学责任认定依据,仅供涉及肺癌CIP预防和治疗相关的各级临床医师、护理人员、技术人员、疾病控制人员、基层预防接种工作人员及相关教学、科研工作人员参考。

AI与影像组学技术开发及模型验证

一、多模态影像组学与深度学习算法结合,提升CIP的早期诊断准确性

CIP具有较高的异质性,其在CT影像上的磨玻璃密度影(ground-glass opacity, GGO)以及实变影等,在感染性肺炎或放射性肺炎中同样存在,特别是对存在高危因素的患者,如COPD或肺功能异常者,其影像特征可能更为复杂难辨[19]。主要是因为CIP的病理机制相对复杂,存在T细胞过度活化、肺泡上皮损伤等情况,会造成上述影像表现。影像医师在进行CT诊断时主要根据自身经验,势必造成对CIP诊断的敏感性不高,因此约有25%的早期CIP病例因不具备典型影像表现而被误诊[8]。多模态影像组学能够对CT图像纹理、形态学参数等进行量化处理,并将其与临床生物标志物相结合,这为CIP的早期识别提供了新的思路[20]。值得注意的是,单一模态模型在面对不典型病例时,其敏感性有所欠缺,需要与深度学习算法结合才能提升其泛化能力[6]。

问题1:如何通过多模态影像组学与深度学习算法结合,提升CIP的早期诊断准确性,特别是针对影像表现不典型的病例?

众多研究已表明,标准化的CT影像采集对保障数据质量与分析精度起着决定性作用[21]。《结直肠癌CT影像数据库构建及质量控制专家共识)着重指出,规范扫描层厚(≤1mm)及重建算法,是确

保数据完整性与规范性的关键所在[21]。在多中心数据整合的过程中,设备差异是一大难题,而ComBat 算法通过经验贝叶斯方法,能有效校正因扫描仪、站点不同引发的技术性变化,进而实现跨站点、跨扫描仪的数据比较与整合,为建立多中心CIP影像数据库时消除设备间差异提供了有力手段[22]。构建大规模多中心影像数据库,能够形成普适性更强的数据集,推动医学研究的进步。有学者通过实验证实,多中心影像数据库整合多源数据后,可助力疾病研究与模型构建[23]。对CIP研究而言,建立多中心CIP影像数据库,有助于提升研究的可靠性与外推性。

Tan 等[7]通过所开发的多模态深度学习模型,将3DCT图像(通过3D ResNet18提取相关深度学习特征)和临床数据(如年龄、吸烟史等)进行整合,使3DCT图像网络模型更加优化(AUC=0.753,临床数据模型的AUC为0.701),分类性能提高至0.797。研究中采用了两阶段迁移学习的方式和对比学习策略,一阶段迁移学习使AUC从0.753提升到0.821。此外,两阶段迁移学习的使用还进一步提高了模型的预测性能,AUC、准确度、敏感度和特异度分别为0.854、0.855、0.800和0.910。该模型通过类激活图实现了可视化,从可视化的呈现结果能够看出,该模型对肺实质区域给予了高度的关注,这也充分验证了影像组学特征在CIP预测方面所具备的生物学意义。

Cheng 等[6]采用将CT影像组学方面的多个特征(一阶统计学、灰度共生矩阵等)与机器学习(支持向量机、随机森林等)相结合的方法,所得到的可以区分CIP与放射性肺炎的模型AUC达0.870。由此可见,影像组学特征在对二者鉴别方面,具有较为明显的特异性。

针对不典型病例的优化策略,Wang等[19]借助深度学习方式,对基线CT中GGO的体积展开了定量分析,发现GGO的分布情况和CIP风险之间存在极为显著的关联,这为不典型病例的量化评估提供了依据。

推荐意见1:CT影像采集标准化与多中心数据库建设。(1)制订CT影像采集相关的标准化指南。①CT扫描仪:选用具备先进技术的16排及以上探测器的CT扫描仪,确保能获取高分辨率影像数据;②层厚与层间距:推荐图像重建层厚不超过1mm;③管电压与管电流:依据受检者体型、检查部位及诊断需求,合理设置管电压(70~140kV)与管电流

数字医学与健康XXXX年XX月第XX卷第XX Digit Med Health, XX XXXX, Vol. XX, No. XX

· 6 ·

(10~400 mA)组合;④辐射剂量:严格遵循“合理尽可能低”原则,通过降低管电流,采用固定管电压及迭代重建技术,减少受检者辐射暴露;⑤窗宽窗位:推荐采用肺窗(窗位-700~-500 HU;窗宽1500~2000 HU)与纵隔窗(窗位30~70 HU;窗宽350~400 HU);⑥重建算法:采用高空间分辨率算法和标准算法(或软组织算法)同时进行重建;⑦图像格式:影像数据应符合DICOM3.0协议标准数据,便于数据存储、传输与共享,确保不同医疗机构、不同软件系统间能准确读取与处理图像信息;⑧图像质量要求:采集具有标准DICOM格式的真实、原始临床数据,图像矩阵不低于512×512。(2)建立多中心CIP影像数据库标准。①参与中心:纳入具备CIP诊疗经验的三级医院及研究型医疗机构(建议>5个),覆盖不同地域以减少人群偏倚,优先选择已开展ICIs治疗且病例积累丰富的医疗机构;②去标识化处理:去除DICOM文件及临床数据中的患者身份信息(如姓名、身份证号、住院号),采用通用唯一标识符(universally unique identifier, UUID)关联影像与临床数据,保护患者隐私;③动态更新:每年纳入新病例(建议≥100例/年),补充长期随访数据,确保数据库时效性。(共识度:100%;强推荐)

推荐意见2:不典型病例敏感性的提升。研究整合CT影像组学、深度学习算法、血清标志物及临床特征,采用迁移学习和对比学习等策略优化特征表达,同时规范采集CT影像(参见推荐意见1),以提升不典型病例的敏感性。(共识度:100%;强推荐)

二、AI辅助HRCT对CIP与感染性肺炎/肿瘤进展的鉴别诊断准确率

HRCT 是用于诊断间质性肺疾病(如特发性肺纤维化)以及感染性肺炎极为重要的影像学检查工具。近年来,随着AI技术的发展,其在HRCT医学影像分析中的应用正逐渐受到关注。AI技术能够通过自动识别和对影像特征加以量化的方式,使诊断的效率和准确性都得以提升。然而,AI技术在区分CIP与感染性肺炎或肿瘤进展的鉴别诊断准确率方面,依然需要进一步验证。

问题2: AI辅助HRCT能否提高CIP与感染性肺炎/肿瘤进展的鉴别诊断准确率?

1. AI 辅助 HRCT 在新型冠状病毒感染 (coronavirus disease 2019, COVID-19)肺炎中的应用:已有相关研究显示,AI辅助下的HRCT通过自动分析肺部 HRCT 参数,具备有效评估

COVID-19患者肺部病变临床严重程度的能力。AI算法在区分COVID-19肺炎和普通肺炎方面表现出色(AUC为0.93,特异度为0.88,敏感度为0.87),并与临床参数(如炎症标志物CRP、乳酸脱氢酶等)呈现显著相关性。研究表明,经AI分析加以得出的肺部病变程度情况,能够对患者是否需要进入重症监护状态或者面临死亡风险起到有效的预测作用。除此之外,其在识别COVID-19相关的肺部浸润方面,也展现出较高的敏感性和特异性,表明AI在感染性肺炎的诊断过程中具有一定潜力[24]。

2.AI在肺癌筛查中的应用:AI辅助诊断软件在肺癌筛查中呈现出一定的优越性,尤其是针对亚实性结节检测表现尤为突出。相关研究明确指出,AI具备敏锐识别恶性概率偏高结节的能力,并能够与低剂量CT相互配合,实现高效、低辐射剂量的扫描操作。虽然该研究主要对象是肺癌,但AI可能区分CIP与感染性肺炎方面发挥类似作用。具体研究显示,AI算法在恶性肺结节检测上的敏感度可达80.7%,特异度达95.2%,优于放射科医生(敏感度70.4%)[25]。

3. AI在间质性肺疾病中的应用:研究表明,借助AI开展的HRCT分析,依照普通型间质性肺炎模式的诊断标准,其分析结果呈现出的性能与影像学专业医生相差无几[26]。此外,HRCT在区分不同类型的间质性肺疾病(如普通型间质性肺炎、非特异性间质性肺炎等)方面,也具有较高的准确性。这些研究结果均表明,AI辅助下的HRCT在间质性肺疾病的鉴别诊断过程中具有极为重要的应用潜力[27]。在影像特征方面,CIP与COVID-19肺炎、间质性肺炎均可能呈现GGO或实变影,与肺癌进展时的影像表现亦有重合之处。由于CIP需要糖皮质激素治疗,COVID-19需抗病毒治疗,肺癌进展要调整抗肿瘤方案,间质性肺炎可能采用免疫抑制剂治疗,错误诊断会延误治疗时机,所以准确鉴别至关重要。AI在解决这些领域复杂影像分析问题方面的成功案例,论证了其核心能力,这些能力为解决CIP鉴别诊断这一临床难题提供了通用技术基础。在进行鉴别时,AI可通过影像组学量化HRCT的纹理、形态学等特征,并整合血清标志物及临床数据构建多模态模型。例如,Cheng等[6]将CT影像组学特征与机器学习相结合,所得到的区分CIP与放射性肺炎的模型的AUC达0.87。

推荐意见3:加强研究设计。未来的研究宜采用更大规模(≥1000例)的多中心(≥5个中心)队列

数字医学与健康 XXXX年XX月第XX卷第XX期 Digit Med Health, XX XXXX, Vol. XX, No. XX

·7·

形式,以对AI辅助HRCT在各类不同人群当中所具备的诊断性能进行验证。与此同时,还应当将临床病理相关数据同患者临床症状结合,进而构建更具完整性的诊断模型。(共识度:100%;强推荐)

推荐意见4:开发专用算法。对于CIP、感染性肺炎、肿瘤进展所呈现的特定影像学特征,应鼓励研究者进一步开发专用的AI算法,并利用大规模的数据集展开训练与验证工作。(共识度:100%;强推荐)

三、CIP与放射性肺炎的鉴别诊断中CT影像组学特征的特异性

CIP与放射性肺炎的鉴别诊断是肺癌治疗中的重要挑战。两者在影像学表现上存在重叠,但治疗方案截然不同,因此需要高特异性的诊断工具。CT影像组学通过量化图像深层特征,提供潜在区分能力,但其特异性及是否需要联合正电子发射计算机断层显像(positron emission tomography computed tomography, PET-CT)代谢参数仍需探讨。

问题3:CIP与放射性肺炎的鉴别诊断中,CT影像组学特征是否具有特异性?是否需要联合PET-CT代谢参数提高准确性?

I.CT影像组学特征的特异性:多项研究表明,影像组学特征可有效区分CIP与放射性肺炎。例如,Qiu等[28]构建的影像组学模型在训练集和验证集中的AUC分别达0.891、0.953,提示纹理特征(如熵值)具有较高区分能力与特异度。Cheng等[6]通过词袋(bag of words, BoW)特征和灰度共生矩阵(gray-level co-occurrence matrix, GLCM)纹理分析,使ICIs与放疗数据集AUC分别达到0.937和0.848,验证了CT影像组学特征的特异性。

2.PET-CT代谢参数的联合应用价值:Shi等[29]在综述中指出,以PET-CT为图像基础构建的影像组学模型,其在肺癌分型中的AUC达0.93,相比单一的CT模型或者PET模型,优势十分显著。另外,Tang等[30]通过融合PET/MRI代谢参数[如病灶总糖酵解量、最大标准化摄取值(maximum standardized uptake value, SUVmax)]、CT形态学特征及临床数据构建的复合模型,显著提升了肺腺癌与鳞癌的鉴别能力,内部测试集AUC达0.933,显著优于单一CT模型(AUC=0.69, P<0.01),并提高临床净效益。Lardinois等[31]研究表明,相比传统CT,PET-CT技术可显著提升NSCLC的TNM分期准确率(P<0.001),并在41%患者中提供额外信息,直接改变了治疗决策。代谢-解剖参数的互补性(如PET量化肿瘤异

质性、CT界定病灶边界)实现了功能与结构的双重验证。

推荐意见5:CT影像组学特征的特异性。CT影像组学特征有其独特之处,在对CIP和放射性肺炎进行鉴别时,具备中等至高度的特异性。但单独应用时,可能无法涵盖所有病例的异质性。因此,需要将影像组学特征或临床参数(如发热、治疗史)进行融合,使模型性能进一步得到优化。(共识度:100%;强推荐)

推荐意见6: PET-CT代谢参数的联合应用价值。在应对疑难病例(如入院3d未确诊或疗效不佳、非计划再入院或手术、出现危及生命的并发症)时,将CT影像组学特征与PET-CT代谢参数进行融合,能够提高鉴别诊断准确程度,特别是在病灶呈现明显的代谢异质性或CT特征不太清晰的情况下,提升效果会越发显著。PET-CT代谢参数标准化需全流程规范:统一$^{18}$F-FDG注射剂量(3.7~5.55MBq/kg)、显像时间[注射后(60±10)min]及患者准备(空腹4~6h,血糖≤6.1 mmol/L);采用有序子集期望最大化重建算法,统一矩阵128×128、层厚2~3mm,衰减校正用CT值转换法,散射校正采用双能量窗法;按国际标准计算SUVmax、肿瘤代谢体积等参数,多中心数据用ComBat算法校正设备差异,确保参数可比。(共识度:96%;强推荐)

四、影像组学特征预测CIP风险

ICIs与放疗联合能够协同发挥增强抗肿瘤疗效的作用,但也可能增加CIP的风险。在联合治疗的情况下,CIP的发生率明显升高(6.5%~10%比3%~4%),且其临床表现和影像学特征均缺乏特异性。因此,能够在早期识别高危患者极为重要。治疗前影像组学特征(如肺纤维化程度)可作为预测CIP风险的重要指标。本共识依据现有资料,提出了CIP风险分层以及管理的相关建议[19]。

问题4: ICIs联合放疗时,如何基于治疗前影像组学特征预测CIP发生风险?

1. 肺纤维化与CIP风险:基线状态下的肺纤维化属于CIP的一项独立危险因素。相关研究表明,接受ICIs治疗后,发生CIP的患者的肺纤维化所占比例明显高于未发生CIP的患者(P<0.05),且纤维化程度和CIP的严重程度具有相关性。慢性肺病(如间质性肺炎、肺纤维化),可能使免疫微环境紊乱情况进一步加重,进而推动T细胞出现过度激活,还会促使细胞因子风暴的发生[13]。HRCT定量评估肺纤维化(如肺野纤维化百分比)可辅助风险

数字医学与健康XXXX年XX月第XX卷第XX期Digit Med Health,XXXXXX,Vol.XX, No.XX

· 8 ·

分层。纤维化范围≥25%的患者发3级及以上CIP的风险增加2.4倍[8]。

2. 影像组学模型的预测价值:基于治疗前CT/MRI影像组学特征联合临床指标(如吸烟史、放疗史)的预测模型,可有效预测CIP风险。小鼠实验表明,CT/MRI影像组学特征联合血液细胞因子水平的模型,其AUC达0.787~0.834;临床研究显示,包含年龄、美国东部肿瘤协作组(ECOG)体能评分、放疗史等因子的列线图模型在训练集和验证集中的C指数分别为0.902和0.877[32]。非增强CT的影像组学特征在预测CIP风险方面优于增强CT,可能与更清晰地显示肺间质病变有关[33]。

推荐意见7:治疗前风险评估。所有拟接受ICIs联合放疗的患者,治疗前需行HRCT评估肺纤维化度及间质性病变,并计算肺野纤维化百分比。(共识度:100%;强推荐)

推荐意见8:多模态预测模型建立。建议建立包含影像组学特征、临床因素及血液指标的多模态预测模型,用于个体化风险分层。(共识度:100%;强推荐)

五、AI驱动的影像特征与CIP患者不良预后的相关性

CIP患者死亡率高达28%[34],临床医生若能够在CIP早期进行识别,同时对其严重程度做好评估,对于患者的预后情况极为关键。近年来,AI赋能医学影像特征分析,给CIP的风险分层以及预后预测带来了新的手段。例如,基于深度学习构建的模型可以凭借CT影像数据,对CIP患者开展高危筛查工作,而且能够通过对比学习的相关策略,使诊断准确性得以提升[7]。

问题5:AI驱动的影像特征是否与CIP患者不良预后显著相关?

1. AI模型在CIP风险预测中的应用:将患者3DCT影像组学和临床数据进行结合构建的多模态深度学习模型,在对CIP高危患者进行预测时,呈现出相当优异的表现,其AUC达到0.918,准确率达92%。这类模型借助迁移学习策略来做出优化处理,能够识别出基线CT中和CIP存在关联的早期影像学特征(如GGO、间质改变),进而达成在治疗前完成风险分层的目标[7]。影像组学结合机器学习,能够对CIP与放射性肺炎加以区分(AUC达0.896~0.937),其影像特征(如词袋特征)与CIP的病理类型(如组织性肺炎)存在相关性[6]。

2. 影像特征与CIP严重程度及预后的关联：

CIP最严重的类型是急性间质性肺炎(acute interstitial pneumonia, AIP)/急性呼吸窘迫综合征(acute respiratory distress syndrome, ARDS),其死亡率达50%。CT影像表现包括广泛实变、蜂窝样改变及胸腔积液[35]。当AI辅助评分时,其在对肺炎负担(如肺受累体积)定量评估方面较传统评分方式具有更大优势的预测价值(AUC: 0.739比0.711),这表明AI能够更为精准地反映疾病进展所存在的风险[36]。

3. 时间因素与预后:CIP早期患者的发病时间中位数约为10周,其中有92.9%的患者病情已处于≥3级的程度,且死亡率也远高于晚期CIP患者(50.0%比11.1%)。AI模型具备依据基线CT的相关表现对早期存在高风险的人群做出预测的能力,可以为后续实施干预措施争取到一定的时间[37]。

推荐意见9:AI影像分析用于CIP风险分层。在ICIs治疗前,推荐运用AI驱动的多模态模型(如3DCT+临床数据)对CIP风险展开评估,尤其要留意肺间质在早期出现的一些改变(如GGO)。对于患有肺癌或者正在接受联合治疗高危风险患者,应当对其予以密切的监测,缩短CT复查间隔时间,调整为每4~6周进行一次复查。(共识度:100%;强推荐)

推荐意见10: AI定量评分指导预后评估。可运用AI定量评估肺炎负担(如受累肺体积百分比),并将其当作预后标志物。针对早期CIP(发病时间在≤3个月)的患者,建议借助AI来辅助完成对影像变化的动态评估,同时参照临床资料对治疗方案做出相应调整。(共识度:100%;强推荐)

多模态数据整合与动态风险评估模型

一、多模态数据构建精准CIP风险预测模型

CIP属于情况颇为严重的免疫相关不良反应,其风险预测在临床管理方面有着极为重要的意义。就目前现状而言,CIP的风险预测模型大多依靠单一数据源(如临床参数或影像组学或血清生物标志物)构建。然而,单一数据源本身存在着一些局限性,这些局限性很有可能使得模型的预测准确性降低。因此,将影像组学、血清生物标志物以及临床参数等多模态数据整合,以构建更为精准的CIP风险预测模型,已成为当下研究热点。

问题6:多模态数据(影像组学、血清生物标志物、临床参数)的整合策略应如何设计以构建精准

数字医学与健康XXXX年XX月第XX卷第XX期Digit Med Health,XXXXXX,Vol.XX,No.XX

· 9 ·

的CIP风险预测模型?

1. 多模态数据整合的重要性:多模态数据的整合经证实能够明显提升风险预测模型的效能。一项研究显示,将电子健康记录、医学图像以及临床笔记进行融合,构建一种多模态风险预测框架,凭借早期融合、联合融合以及晚期融合策略,可使模型在住院死亡率、住院时长延长以及再入院等多项任务中的表现显著提升[38]。

2. 多模态数据的特征提取与融合方法:多模态数据的特征提取以及融合工作,是构建精准预测模型的极为关键的步骤所在。例如,借助深度学习相关技术从医学影像中提取相应的特征,同时将文本特征和临床变量结合,再通过加权平均或者张量积等方法,达成多模态特征融合的目标,经实践证明能够在相当程度上有效提升模型所具备的预测能力[39]。

3.CIP风险预测中的潜在应用:在CIP风险预测中,将影像组学、血清生物标志物[CRP、白细胞介素6(interleukin-6, IL-6)等]以及临床参数(吸烟史、年龄等)进行整合,可能得到更为详尽的风险评估。相关研究显示,将吸烟史、急性期CRP以及CD8T细胞计数等风险因素进行综合考量,可以构建出有效的CIP风险预测模型[5]。

推荐意见11:整合多模态数据以提升预测性能。尝试采用早期融合、联合融合和晚期融合策略,将影像组学、血清生物标志物和临床参数整合,以构建CIP风险预测模型。据现有研究显示,联合融合策略在诸多任务中表现最为出色,因此可优先考虑运用此种方法。(共识度:100%;强推荐)

推荐意见12:优化特征提取与选择方法。运用深度学习技术(如卷积神经网络、图卷积网络等),从影像图像中提取相关组学特征。利用自然语言处理工具(BERT等),从患者病历中提取临床特征。另外,采用LASSO回归或者SHAP框架做特征的选择以及解释工作,以此来保证模型具备可解释性,且在准确性上也能得到保障。(共识度:100%;强推荐)

二、不良事件发生风险评估体系的建立

不良事件风险评估体系主要关注术后心肺并发症、心血管事件及慢性肺病急性进展。当前,第1秒用力呼气量(forced expiratory volume in 1 second, FEV1)、用力肺活量(forced vital capacity, FVC)、一氧化碳弥散量(diffusing capacity of the lungs for carbon monoxide, DLCO)等肺功能指标以

及肺纹理特征等影像组学特征,在呼吸系统疾病风险评估中具有重要价值。然而,单一指标的预测能力有限。肺功能测试量化通气和弥散功能,影像组学提供结构异常和局部病变信息。研究表明,整合多维度数据可提高不良事件风险评估的准确性,实现高风险患者的早期识别与干预,优化手术决策和慢病管理[40]。

问题7:是否需联合肺功能指标与影像组学建立动态风险评估体系?

1. 肺功能的独立预测价值:低FEV1/FVC和FVC与心血管事件、全因死亡率显著相关(调整风险比为1.5~4.0),且肺功能下降与系统性炎症标志物(如CRP、IL-6)相关。在中危心血管风险人群中,联合肺功能与传统评分(如Framingham)可显著改善分层[41]。

2. 影像组学的补充作用:HRCT纤维化评分与肺功能指标(FVC%、DLCO%)呈现出明显的强负相关关系(r=-0.61, P<0.001),同时它还能够在早期阶段对结构性肺损伤予以识别。而影像组学特征(如肺血管阻力、肺顺应性等),同样也可以用来对疾病异质性进行量化处理[42]。

3. 联合模型的优势:在开展前评估时,将肺功能检查和影像组学有机结合,可使术后并发症预测的准确度提升15%~20%。诸如囊性纤维化肺功能下降与感染风险动态模型展示,对纵向数据进行整合处理能够让个体化风险预警得到优化[43]。

推荐意见13:标准化动态分析评估体系的构建。推荐联合运用肺功能指标以及影像组学特征来构建动态风险评估体系。(1)设定标准化评估节点。以治疗基线为起点,按1~3个月(短期)、6个月(中期)、1年及以上(长期)设定动态监测节点,同步采集肺功能(FEV1、FVC、DLCO)与HRCT影像,确保纵向数据的时间对齐与可对比性。(2)整合多维度动态特征。纳入肺功能动态参数、影像组学时序特征及炎症标志物的纵向趋势,量化疾病进展的结构与功能关联。(3)构建联合预测模型。采用纵向混合效应模型或时序深度学习算法[如长短期记忆网络(long short-term memory, LSTM)],整合肺功能与影像组学的动态关联数据,生成个体化风险曲线,优化术前并发症、疾病恶化等事件的预测效能。(共识度:100%;强推荐)

推荐意见14:时序数据的动态模型。动态模型要将时序数据(如肺功能随访情况、影像变化等)纳入其中,才能捕捉到疾病进展的轨迹。(共识度:

· 10 ·

数字医学与健康XXXX年XX月第XX卷第XX期Digit Med Health,XXXXXX,Vol.XX, No.XX

100%;强推荐)

推荐意见15:数据标准化采集。关于标准化数据的采集以及质量控制,肺功能测试时依照美国胸科学会和欧洲呼吸学会相关标准开展。在影像组学领域,需把CT扫描参数以及特征提取流程进行统一(参见推荐意见1、推荐意见22)。(共识度:100%;强推荐)

三、优化糖皮质激素剂量调整

糖皮质激素是用于治疗多种炎症性疾病的关键药物,但其剂量的调整常常依靠临床医生对患者临床症状以及实验室指标的综合考量来完成。单一指标往往存在一定的局限性,如仅依照临床症状判断,就可能出现治疗不足或者治疗过量的情况。近年来,把影像学和生物标志物联合使用的方式渐渐受到关注,特别是在间质性皮肤病等慢性炎症性疾病中表现得更为明显。KL-6作为一种血清标志物,在对肺部炎症活动性进行评估时具备比较高的敏感性与特异性已被证实。

问题8:动态监测中,连续CT影像的时序特征(如GGO演变)与血清标志物(KL-6)联合分析能否优化糖皮质激素剂量调整?

1.KL-6是一种肺泡Ⅱ型细胞分泌的糖蛋白,与间质性肺疾病的活动性和严重程度密切相关。研究表明,KL-6水平升高与肺部炎症和纤维化的进展紧密相关,且其敏感性和特异性均较高,因此成为诊断间质性肺疾病的重要生物标志物。例如,特发性肺纤维化患者体内KL-6水平明显升高,且其水平变化与肺功能下降程度及疾病进展密切相关[44]。

2. 连续CT影像的时序特征:连续CT监测可动态评估慢性间质性肺炎患者肺部病变的演变过程,包括GGO的出现、吸收及进展等特征。这些影像学表现能有效反映疾病活动度和治疗反应。研究证实,GGO的吸收程度与糖皮质激素疗效呈正相关,提示影像学变化可作为评估治疗效果的重要指标[45]。

3. 联合分析的潜力:联合分析KL-6生物标志物与CT影像的时序特征,可为糖皮质激素剂量调整提供更全面的参考依据。一方面,KL-6水平的动态变化能反映炎症活动程度;另一方面,CT影像可直观显示病变的形态学演变。这种联合分析方法不仅能更准确地判断治疗效果,还可指导个体化剂量调整。

推荐意见16:推荐使用联合分析。在CIP患者

中,建议尝试联合分析KL-6和CT影像时序特征以指导糖皮质激素剂量调整。临床医生应每隔2~4周定期监测患者血清KL-6水平,若水平升高,提示肺部炎症活动加剧。同时,同步分析连续CT影像,若发现GGO范围扩大、密度增高,表明肺部病变进展。(共识度:96%;强推荐)

推荐意见17:制订临床指南。推荐制订基于KL-6和CT影像联合分析的临床指南,明确其在糖皮质激素剂量调整中的应用标准和操作流程。(共识度98%;强推荐)

四、影像组学特征预测免疫再挑战的安全性

免疫再挑战指癌症患者因免疫相关不良事件(immune-related adverse events, irAEs)或疾病进展暂停ICIs治疗后,重新使用相同或不同ICIs的治疗策略。该策略在肿瘤治疗领域正逐步得到应用,不过其安全性存在风险,如仍需精准预测irAEs。影像组学可对医学影像的定量特征进行挖掘,同时与肿瘤微环境信息相结合,为预测免疫治疗的安全性开拓了新思路。但其在临床应用中,依然面临着标准化程度不够、验证不够充分等一系列挑战。

问题9:影像组学特征是否可预测免疫再挑战的安全性?

1. 预测效能与模型构建:一项多中心研究基于402个影像组学特征构建的Delta-radiomics 评分模型,在预测NSCLC患者免疫治疗反应中展现出良好性能,其训练集和验证集AUC分别达0.81和0.80,证实了影像组学在疗效预测中的应用潜力[46]。另一研究发现,影像组学特征与肿瘤浸润淋巴细胞密度及PD-L1表达水平存在显著相关性(P<0.05),提示该技术可作为间接评估免疫微环境活性的无创手段,且可能与irAEs的发生风险相关[47]。

2. 可靠性分析与标准化需求:影像组学模型的分割可靠性是影响其临床效果的关键限制因素。2022年的一项研究[48]表明,仅筛选高可靠性特征(如纹理特征)即可显著提升生存预测模型的稳定性,这为评估其在安全性方面的应用潜力提供了间接证据。当前研究普遍存在标准化流程缺失问题,不同特征提取平台及图像预处理方法间的异质性严重影响结果可重复性。建议依据IBSI(影像生物标志物标准化倡议)和TRIPOD(个体预后或诊断的多变量预测模型透明报告)声明建立标准化框架,以提升影像组学研究的严谨性和可信度。

3. 多组学整合与生物标志物联合:联合免疫特征(如17基因风险评分)与影像组学特征可显著提

数字医学与健康XXXX年XX月第XX卷第XX期Digit Med Health,XXXXXX,Vol.XX,No.XX

· 11 ·

升预测效能。例如,高风险组患者ESTIMATE评分显著升高(P<0.05),提示免疫微环境活跃状态可能与更高的irAEs风险相关[49]。整合转录组学衍生的免疫评分系统(如IMPRES、TIDE)与影像组学特征(如肿瘤异质性参数),可构建更全面的安全性预测模型[50]。

推荐意见18:推荐使用影像组学特征联合临床参数预测免疫再挑战安全性。优先选择稳定性高的纹理特征(如灰度共生矩阵)与Delta-RFs(治疗前后特征变化)结合构建模型。(共识度:100%;强推荐)

推荐意见19:需严格遵循标准化流程并开展外部验证。图像预处理按照IBSI指南规范实施,采用影像组学质量评分(radiomics quality score, RQS)进行研究质量评估。模型验证需在≥3个独立多中心队列(每中心≥100例)中开展,要求跨中心AUC差异≤0.10且组内相关系数(intraclass correlation coefficient, ICC)≥0.85,以确保模型的泛化能力。(共识度:100%;强推荐)

推荐意见20:探索影像组学与多组学数据的整合模型。结合RNA-seq数据(如免疫检查点基因表达)和CT影像特征,利用机器学习(如逻辑回归)构建多模态模型。(共识度:100%;强推荐)

临床风险预测与综合管理

一、严重CIP(≥3级)的死亡风险预测

CIP是肿瘤免疫治疗过程中的一种潜在的致命并发症,3级及以上的CIP患者死亡率为28.1%。早期识别高危患者并优化重症监护的时机对改善患者预后至关重要。影像组织学特征(如病灶体积增长率)可反映疾病的进展速度和严重程度,但对死亡风险的预测价值目前尚未完全明确。

问题10:严重CIP(≥3级)的死亡风险预测是否需纳入影像组学特征(如病灶体积增长率)?

1. 预测模型与影像组学的应用:(1)现有模型的局限性。CURB65评分和肺炎严重程度指数主要通过CIP患者的主观症状进行预测,因此其预测价值不大[51]。(2)综合模型的优势。综合模型将临床信息(KL-6水平升高、停止抗肿瘤治疗等)与影像学特征(肺叶受累程度等)相结合,能显著提高预测准确性。研究显示,KL-6水平升高是重度CIP患者死亡的独立危险因素(OR=1.002, P<0.001)[52]。(3)影像组学的潜力。目前,在多项研究中,CIP患

者病灶体积增长率和其他影像组学特征并未被全部纳入研究范围。但有研究表明,肺实质受累程度大于50%时,患者死亡率也随之升高,这说明影像组学特征可作为建立相关模型的关键变量,为后续进一步的研究提供相应的依据[53]。

2.重症监护时机选择:重症CIP(≥3级)患者的中位生存期仅4.4个月,主要死因为CIP合并感染(59.6%)。早期识别高风险患者(如急性间质性肺炎/急性呼吸窘迫综合征模式、KL-6升高)有助于及时转入ICU,避免延误治疗[54]。

推荐意见21:死亡风险预测模型的构建。建议将胸部CT特征(如急性间质性肺炎/急性呼吸窘迫综合征模式、肺实质受累范围)纳入≥3级CIP的死亡风险预测模型,并探索影像组学参数(如病灶体积增长率)的增量价值。(共识度:100%;强推荐)

二、AI辅助多模态影像组学联合引领MDT,推动CIP影像诊断标准的统一

CIP的影像学特征对早期诊断及临床干预管理具有重要价值。然而,当前不同医疗机构和医生间对影像学特征解读存在差异,且缺乏统一的CIP影像学诊断标准。近年来,基于AI的多模态影像技术快速发展为解决该领域问题提供了新途径:通过系统整合CT、MRI、PET等多源影像数据,结合深度卷积神经网络算法,可显著提升组织学图像特征提取的定量准确性,有效降低人为主观偏差,同时推动MDT模式在CIP临床诊断中的规范化应用,为构建循证医学支持的诊疗体系提供技术支撑。

问题11: AI辅助多模态影像组学联合引领MDT,如何统一CIP的影像诊断标准?

1. 多模态影像组学技术的应用:多模态影像组学通过整合CT、MRI和PET等多源影像数据,可更全面地提供病变特征信息。基于区域空间交互理论构建的影像组学模型,已在肺炎与CIP的鉴别诊断中成功应用。此外,定量影像特征图谱能够精准表征不同疾病病理类型空间的空间异质性差异[55]。

2. AI辅助诊断系统的开发:基于深度学习的医学影像分析系统(如UAI系统)通过整合卷积神经网络架构(如AlexNet等模型)与多中心影像数据集,可实现肺部感染性病变的自动识别与分类,并生成标准化临床决策支持报告[56]。

3.MDT的重要性:MDT模式已成为当前复杂疾病诊疗的重要范式,其通过系统整合病理学、影像组学及基因组学等多维度数据,为CIP的精准诊断提供了强有力的支撑[57]。

· 12 ·

数字医学与健康XXXX年XX月第XX卷第XX Digit Med Health, XX XXXX, Vol. XX, No. XX

推荐意见22:建立统一的影像特征提取标准。核心特征集包括:(1)形态学特征。病灶体积、表面积、球形度、肺受累百分比,GGO/实变影占比及分布模式(双侧/单侧、多叶受累)。(2)纹理特征。通过Python中的PyRadiomics包提取一阶统计特征、形状特征、灰度共生矩阵特征、灰度依赖矩阵特征、灰度游程长度矩阵特征、灰度大小区域矩阵特征、邻域灰度纹理矩阵特征等,遵循IBSI指南定义。(3)特征筛选。LASSO回归或SHAP值剔除冗余特征,保留与CIP诊断/预后显著相关的高贡献参数。特征提取工具推荐:PyRadiomics(影像组学特征提取)、LASSO回归(特征筛选)。(共识度:100%;强推荐)

推荐意见23:开发标准化的AI辅助诊断模型。使用U-Net和ResNet等深度学习方法架构的肺炎分类模型,通过结合临床实验室标志物(CRP、降钙素原等),有效提高了分类的准确性。所开发的多模态融合框架还应整合CT、MR、PET等影像特征,进而提高诊断的全面性和准确性。算法推荐:(1)传统任务:CIP与放射性肺炎/感染性肺炎鉴别优先用支持向量机或随机森林,通过5折交叉验证优化超参数。(2)深度学习任务:3D ResNet提取CT空间特征,动态监测用时序卷积网络捕捉病灶演变。(共识度:100%;强推荐)

推荐意见24:制订多学科协作流程。MDT模式要求影像科、病理科和呼吸内科之间建立标准化的会诊机制,以确保在三方协作下达成诊断共识,并将AI定量分析系统生成的结果作为参考,帮助医生制订治疗方案。(共识度:100%;强推荐)

三CIP患者基于AI的动态管理早期干预改善远期预后

ICIs 治疗可显著改善多种晚期恶性肿瘤的临床预后,但CIP发病率为3%~19%,重症患者可能继发急性呼吸衰竭甚至危及生命。值得注意的是,CIP导致的肺功能损害(如FEV1下降)与患者长期生活质量降低密切相关。当前CIP治疗仍依赖经验性方案(如糖皮质激素),缺乏精准生物标志物监测及个体动态评估体系。近期研究表明,基于AI构建的肺功能预测模型,为改善CIP患者长期预后提供了新策略[13]。

问题12:CIP患者基于AI的动态管理能否通过早期干预改善远期预后(如FEV1)?

1. AI在肺功能预测中的潜力:(1)功能性主成分分析(functional principal component analysis,

FPCA)模型。依据FPCA构建的预测模型,能够有效识别FEV1轨迹异常的高危患者,为早期开展临床干预提供了决策依据。在一项囊性纤维化队列研究中,该模型借助对风险预警阈值加以定义的方式,使得早期干预的成功率明显提高[58]。(2)CIP与FEV1的关联。临床数据分析显示,CIP患者在接受治疗后,其FEV1预测值比值(FEV1pp)有明显下降态势,且随着时间的推移进一步恶化。借助AI所构建的动态监测系统,可将连续的肺功能数据以及影像组学特征整合,为个体化治疗提供依据,从而实现早期干预,减缓患者肺功能丧失的速度[59]。

2. AI在呼吸系统疾病早期预警中的应用:对于急性呼吸衰竭,AI可整合动态数据(如机械通气参数、影像学),实现风险分层和个性化治疗,可用于CIP的实时监测[60]。

推荐意见25:基于AI的肺功能动态监测。建议对接受ICIs治疗的高危患者(如肺癌、基线肺功能异常者),采用FPCA模型结合LSTM时序算法动态监测FEV1轨迹:以治疗基线为起点,每2~4周采集FEV1数据,通过模型提取FEV1下降速率、变异系数等动态特征,当特征值超过预设阈值(如较基线下降≥10%)时触发早期干预警报。(共识度:100%;强推荐)

推荐意见26:多模态数据整合。建议构建多模态AI模型,整合以下特征。(1)肺功能特征:FEV1pp、FVC%的纵向变化率等;(2)影像组学特征:通过Python中的PyRadiomics包提取一阶统计特征、形状特征、灰度共生矩阵特征等(遵循IBSI标准提取,见推荐意见22);(3)生物标志物特征:涎液化糖链抗原6、IL-6的血清浓度波动曲线等。用随机森林或支持向量机等机器学习模型整合多模态特征,优先关注与肺功能恶化强关联的影像-血清联合特征,提升CIP风险分层的精准度。(共识度:100%;强推荐)

技术优化与标准化

一、AI合成CT图像减少CIP随访辐射剂量

CT扫描具有高分辨率以及快速成像的能力,在临床诊断工作中被广泛应用,但与之相伴的辐射暴露风险也逐渐受到了人们的关注。尤其是儿童患者对辐射更为敏感,因此减少辐射剂量显得尤为重要。CT剂量传统优化方法(调整管电流、降低管电压、优化扫描协议等),通常需要在图像质量与剂

数字医学与健康XXXX年XX月第XX卷第XX期Digit Med Health,XXXXXX,Vol.XX,No.XX

· 13 ·

量之间进行权衡。近年来,随着AI技术的引入,为CT剂量优化带来了新的可能性。借助深度学习算法,AI能够对低剂量CT图像进行重建,并且还能保证图像较高的质量,诊断的准确性也能得以维持。

问题13: AI合成CT图像能否减少CIP随访辐射剂量?

1. AI在CT剂量优化中的应用:多项研究均显示,AI技术借助迭代重建和动态后处理(dynamic latent refinement, DLR)算法,能够显著降低CT图像的噪声水平,从而减少辐射剂量。例如,使用DLR算法对CT辐射剂量进一步降低,在极低剂量水平下,表现出显著的噪声控制能力,这表明AI技术有能力在确保图像质量不受影响的前提下,较为有效地减少辐射剂量[61]。除此之外,以深度学习为基础的重建技术,经证实,在腹部和骨盆区域,能够实现高达33%的剂量减少效果[62]。

2. AI在特定癌症治疗中的应用:在头颈癌放疗决策中,AI合成的CT图像经证实能够在剂量规划以及治疗计划模拟方面发挥有效作用。相关研究表明,将AI生成的图像与传统重建图像进行对比,剂量指标差异小于4G(占总剂量的5.7%),这表明AI技术在减少辐射剂量方面具有潜在价值[63]。

推荐意见27:推广AI技术在CT辐射剂量优化中的应用。基于现有研究结果,医疗机构可逐步把AI技术引入CT辐射剂量优化工作当中。尤其是针对患癌高风险的患者,更要优先考虑选用AI合成CT图像的方式,以此来降低辐射暴露风险。(共识度:100%;强推荐)

推荐意见28:优化AI算法以适应特定人群。针对患癌高风险患者,可开发专门的AI算法模型,依照患者自身特征来实现个性化的剂量优化。(共识度:100%;强推荐)

二、多中心标准化协议AI泛化能力

ICIs在改善晚期NSCLC患者生存的同时,可引发CIP,其症状易与放射性肺炎相互混淆。多模态影像组学(如CT、PET/CT、病理图像)结合AI动态管理能够辅助CIP的早期诊断、鉴别以及预后预测。然而,AI模型的泛化可能会受到单中心数据存在偏差、影像采集参数不一致等诸多问题的限制。推广多中心标准化协议,实现统一数据采集、特征提取以及验证流程,有望提升AI在临床上的应用价值[64]。

问题14:多中心标准化协议能否提高AI泛化能力?

1. 多中心标准化协议提升AI泛化能力: 2023年的一项多中心研究(n=642)表明,基于标准化CT影像组学特征构建的AI模型,在发现队列(n=512)和外部验证队列(n=130)中均能稳定预测ICIs 治疗反应(风险比为0.63, P<0.001),且跨中心一致性高(ICC>0.85)[65]。2024年MIHIC数据集(含309 698张多中心病理图像)显示,标准化注释和算法训练使AI模型在肺癌免疫微环境分类中的准确率达92%,显著优于单中心数据($\Delta$AUC=0.15)[66]。

2. 多模态数据融合增强模型鲁棒性:多模态模型整合CT影像组学、病理组学和基因组学数据,可提高CIP与放射性肺炎的鉴别准确率(AUC=0.91比0.78)[6]。

3. 标准化对临床管理的意义:多中心所具备的标准化CT特征(肺间质纹理以及GGO分布),能够对CIP与感染性肺炎加以区分,其区分的准确率可达到89%[6]。利用动态监测(如每周CT、血液标志物)结合AI模型,能够对CIP的进展起到早期预警作用,其受试者工作特征曲线下面积可达0.82[8]。

推荐意见29:建立多中心标准化影像采集与标注协议。将CT扫描参数予以统一,统一肺窗(窗宽1500~2000HU、窗位-600~-400HU)和纵隔窗(窗宽350~400HU、窗位30~70HU)参数,全肺覆盖且吸气末屏气扫描以减少运动伪影。格式与校正:DICOM格式转换为NIfTI,高斯滤波去噪;用ComBat算法校正多中心设备差异,重采样至1×1×1mm$^{3}$空间分辨率。病灶分割:U-Net等模型自动分割并结合2名以上影像科主治医师手动校正,确保ROI完整覆盖病灶实质,分割结果以NIfTI格式存储,一致性检验需ICC≥0.85。预处理工具推荐:ITK/SimpleITK(格式转换、重采样)、Python(Pillow/OpenCV去噪)、ComBat算法(设备差异校正)。自动分割可选用U-Net++,其基于深度学习,能高效分割肺部病灶,泛化性佳,减少人工工作量;手动分割推荐ITK-SNAP,界面直观,支持精确绘制ROI,医生可依据经验修正,确保分割精准,为CIP影像分析筑牢数据根基。对公共数据集(MIHIC、NSCLC-Radiomics等)加以推广,以此来推动算法的横向验证工作。(共识度:100%;强推荐)

推荐意见30:优先开发多模态AI整合模型。把CT影像组学(GLCM纹理等)数据、病理组学(免疫细胞密度等)数据以及液体活检[循环肿瘤DNA(circulating tumor DNA, ctDNA)等]数据融合到一起,构建能够进行动态风险分层的系统。运用注意

· 14 ·

数字医学与健康XXXX年XX月第XX卷第XX源Digit Med Health, XX XXXX, Vol. XX, No. XX

力机制对特征权重的分配加以优化,使模型的可解释性能够得到提升。(共识度:100%;强推荐)

基于医学影像医工融合的CIP未来研究与探索方向一、多模态数据融合与可解释性AI将三维影像组学、ctDNA动态液态活检以及跨组学高危人群筛查加以整合,有望实现肿瘤诊疗的智能化、精准化和动态化管理,推动免疫治疗从依赖经验向实时监控的范式革新。已有研究利用增强CT开发的三维影像组学模型(大体肿瘤体积+临床靶区体积)及ResNet-101分割网络,实现了对非小细胞肺癌隐匿性淋巴结转移的精准预测(验证组AUC达0.906),并通过联合动态液态活检与影像组学模型优化了免疫治疗分层决策[67],这将促进诊疗模式向智能化、动态化方向转型。

参照社区获得性肺炎的研究经验,有必要进一步开发具备可解释性的AI工具,以提升模型在临床上的可信度。团队开创性地提出了“影像-分子-临床”多组学层面的肿瘤智能诊疗新范式,通过整合三维影像组学、ctDNA动态液态活检以及跨组学高危人群筛查等多方面内容,实现对肿瘤诊疗的智能化、精准化和动态化管理,推动免疫治疗从“经验依赖”模式向“实时监控”的范式革新转变。例如,将可视化影像组学特征(如病灶形状参数)与临床指标(淋巴细胞计数)的贡献权重呈现出来,从而协助临床医生理解AI的决策逻辑。同时,建议将影像组学特征纳入多模态融合框架,使其与代谢影像及分子标志物联合起来,共同构建“影像-临床-分子”一体化预测系统。此外,引入可解释性AI技术(如SHAP值、注意力机制),对模型决策依据进行可视化处理,辅助医生理解AI针对GGO、纤维化灶的权重分配情况。

二、动态影像组学与实时监测

利用4D-CT(呼吸门控技术)以及连续薄层扫描的方式,从中提取出时间维度上的纹理特征(病灶体积的变化率、异质性的波动等),进而构建起动态影像组学模型。

可穿戴设备(如智能胸片贴片这)的利用可实时监测呼吸频率以及血氧饱和度,进而触发由AI驱动的自适应影像随访策略。

三、医工协作的标准化与泛化能力提升

着手构建全球CIP影像数据库(如NVIDIA CLARA平台),纳入多种族、多设备数据,以训练能够有效抵抗偏倚的AI模型。

统一量化指标(如肺受累体积阈值)。确立跨

学科方面的标准:由影像科以及AI工程师共同协作,对病灶标注规范加以界定,将量化指标予以统一。

四、新型成像技术与治疗评估

对光子计数CT以及能谱成像展开探索,将CIP病灶内胶原沉积(纤维化标志物)的分布予以量化,逐步取代侵入性活检。

开发由AI驱动的疗效评估标准,把影像组学、代谢活性(SUVmax)以及ctDNA清除率加以整合,进而对“深度缓解”这一全新的终点做出明确的定义。

五、医工融合的临床决策支持系统

在医院层面,搭建嵌入式协同平台,在影像科医师完成对病灶的标注之后,系统便会自动推送治疗方面的指南和与之相似的病例文献,并且给出实时的预后预测情况。在患者层面,开发患者端APP,可视化展示AI分析结果,提升治疗依从性。

六、伦理、法规与产业化路径

确立AI医疗产品的伦理审查架构,清晰界定数据所有权(如患者、医院、开发商三方协议),以避免因算法偏见而产生的医疗纠纷。推动“AI即服务”模式,让医疗机构能够依据自身需求去调用处于云端的AI工具,进而削减部署成本。未来,关于CIP的研究应将医工深度融合作为核心要点,冲破数据、技术、临床等方面存在的壁垒,搭建起“精准诊断-动态监测-智能决策-全程管理”的闭环体系,最终达成提升患者生存率以及生活质量的目标。

本共识制订工作组成员

顾问专家组:张海波(多伦多大学);高献书(北京大学第一医院);袁雅冬(河北医科大学第二附属医院);唐晓英(北京大学理工大学);夏爽(天津市第一中心医院)

执笔专家组:孙国贵(华北理工大学附属医院);陈伟彬(华北理工大学附属医院);戈艳蕾(华北理工大学附属医院);磨国鑫(解放军总医院第八医学中心);唐晓英(北京理工大学);夏爽(天津市第一中心医院);黄晓红(华北理工大学);付爱双(华北理工大学附属医院);贾敬好(华北理工大学附属医院);金叶(华北理工大学);王刚(华北理工大学附属医院);赵亚婷(华北理工大学附属医院);赵玲(华北理工大学附属医院);杨文浩(华北理工大学附属医院);么伟楠(华北理工大学附属医院);李立群(复旦大学附属上海市公共卫生临床中心);刘洋(天津市第五中心医院);高鹏(华北理工大学附属医院)

讨论专家组(以姓名拼音为序,排名不分前后):陈伟彬(华北理工大学附属医院);陈怡(重庆医药高等专科学校附属第一医院);范应威(北京理工大学);付爱双(华北理工大学

数字医学与健康XXXX年XX月第XX卷第XX期 Digit Med Health, XX XXXX, Vol. XX, No. XX

· 15 ·

附属医院);付燕(首都医科大学附属北京积水潭医院);高鸿(应急总医院);高鹏(华北理工大学附属医院);高献书(北京大学第一医院);戈艳蕾(华北理工大学附属医院);郭瑞(北京理工大学);龚勋(西南交通大学);龚享文(赣州市第五人民医院);何珍(天津市天津医院);黄晓红(华北理工大学);贾浩楠(黑龙江省医院);贾敬好(华北理工大学附属医院);金叶(华北理工大学);李丽娟(中日友好医院);李立群(复旦大学附属上海市公共卫生临床中心);李秀红(宁波市镇海区人民医院);刘凤海(河北省沧州市中心医院);刘丽华(河北医科大学第四医院);刘景旺(开滦总医院);刘俊忠(山东第二医科大学第一附属医院、潍坊市人民医院);刘燕鹰(首都医科大学附属北京友谊医院);刘洋(天津市第五中心医院);磨国鑫(解放军总医院第八医学中心);沈文斌(河北医科大学第四医院);孙国贵(华北理工大学附属医院);唐威(中国医学科学院肿瘤医院);唐晓英(北京理工大学);王超(滨州医学院附属医院);王刚(华北理工大学附属医院);王景梅(郑州市第三人民医院);王雁(华北理工大学附属医院);夏爽(天津市第一中心医院);熊伟(唐山市人民医院);许铮铧(河北工业大学);杨文浩(华北理工大学附属医院);么伟娟(华北理工大学附属医院);袁香坤(河北省沧州中西医结合医院);袁雅冬(河北医科大学第二附属医院);张海波(多伦多大学);张琴(宁波市镇海区人民医院);张雪梅(华北理工大学);赵玲(华北理工大学附属医院);赵阳(天津医科大学第二医院);朱晓颖(哈尔滨医科大学附属第一医院);朱佑明(重庆医药高等专科学校附属第一医院)

利益冲突 所有作者声明无利益冲突

参考文献

[1] Li F, Zheng L, Xu X, et al. The impact of chronic obstructive pulmonary disease on the risk of immune-related pneumonitis in lung cancer patients undergoing immunotherapy: a systematic review and meta-analysis[J]. BMC Pulm Med, 2024, 24(1): 393. DOI: 10.1186/s12890-024-03180-w. [2] Hao Y, Zhang X, Yu L. Immune checkpoint inhibitor-related pneumonitis in non-small cell lung cancer: a review[J]. Front Oncol, 2022, 12:911906. DOI: 10.3389/fonc.2022.911906.

[3] Wong A, Riley M, Zhao S, et al. Association between pretreatment chest imaging and immune checkpoint inhibitor pneumonitis among patients with lung cancer[J]. J Natl Compr Canc Netw, 2023, 21(11):1164-1171.e5. DOI: 10.6004/jnccn.2023.7035.

[4] Kowalski B, Valaperti A, Bezel P, et al. Analysis of cytokines in serum and bronchoalveolar lavage fluid in patients with immune-checkpoint inhibitor-associated pneumonitis: a cross-sectional case-control study[J]. J Cancer Res Clin Oncol, 2022, 148(7): 1711-1720. DOI: 10.1007/s00432-021-03750-z. [5] Li X, Lv F, Wang Y, et al. Establishment and validation of nomogram for predicting immuno checkpoint inhibitor related pneumonia[J]. BMC Pulm Med, 2022, 22(1):331. DOI:

[6] 10.1186/s12890-022-02127-3. [6] Cheng J, Pan Y, Huang W, et al. Differentiation between immune checkpoint inhibitor-related and radiation pneumonitis in lung cancer by CT radiomics and machine learning[J]. Med Phys, 2022, 49(3): 1547-1558. DOI: 10.1002/mp.15451. [7] Tan P, Huang W, Wang L, et al. Deep learning predicts immune checkpoint inhibitor-related pneumonitis from pretreatment computed tomography images[J]. Front Physiol, 2022, 13:978222. DOI: 10.3389/fphys.2022.978222. [8] Huang J, Chen X, Xia B, et al. Advances in CT features and radiomics of checkpoint inhibitor-related pneumonitis: a short review[J]. Front Immunol, 2023, 14: 1082980. DOI: 10.3389/fimmu.2023.1082980. [9] Zhang Y, Zhang L, Cao S, et al. A nomogram model for predicting the risk of checkpoint inhibitor-related pneumonitis for patients with advanced non-small-cell lung cancer[J]. Cancer Med, 2023, 12(15): 15998-16010. DOI: 10.1002/cam4.6244. [10] Hu Q, Wang S, Ma L, et al. Radiological assessment of immunotherapy effects and immune checkpoint-related pneumonitis for lung cancer[J]. J Cell Mol Med, 2024, 28(5): e17895. DOI: 10.111/jcmm.17895. [11] Guo X, Chen S, Wang X, et al. Immune-related pulmonary toxicities of checkpoint inhibitors in non-small cell lung cancer: diagnosis, mechanism, and treatment strategies[J]. Front Immunol, 2023, 14: 1138483. DOI: 10.3389/fimmu.2023.1138483. [12] Wang Y, Wang Y, Yu J, et al. Case report: pneumonia with clinical symptoms precedes imaging evidence after immune checkpoint inhibitor neighbors combined with radiotherapy in lung squamous cell cancer[J]. Front Immunol, 2022, 13:998516. DOI: 10.3389/fimmu.2022.998516. [13] Lin MX, Zang D, Liu CG, et al. Immune checkpoint inhibitor-related pneumonitis: research advances in prediction and management[J]. Front Immunol, 2024, 15: 1266850. DOI: 10.3389/fimmu.2024.1266850. [14] World Health Organization. WHO handbook for guideline development, 2nd edition[EB/OL]. (2014-12-18) [2024-09-29]. https://www.who.int/publications/i/item/9789241548960. [15] 陈耀龙,杨克虎,王小钦,等.中国制订/修订临床诊疗指南的指导原则(2022版)[J].中华医学杂志,2022, 102(10):697-703. DOI: 10.3760/cma.j.cn112137-20211228-02911. [16] Chen Y, Yang K, Marušic A, et al. A reporting tool for practice guidelines in health care: the right statement[J]. Ann Intern Med, 2017, 166(2):128-132. DOI: 10.7326/M16-1565. [17] 中华医学会呼吸病学分会,中国抗癌协会肿瘤呼吸病专业委员会,北京肿瘤防治研究会.免疫检查点抑制剂相关肺炎诊治和管理专家共识(2025)[J].中华结核和呼吸杂志,2025, 48(4): 329-343. DOI: 10.3760/cma.j.cn112147-2021-00694. Thoracic Society of Chinese Medical Association, Oncology Respiratory Disease Committee of China Anti-Cancer Association, Beijing Cancer Prevention and Treatment Research Association. Chinese experts consensus on the diagnosis and management of checkpoint inhibitor pneumonitis(2025)[J]. Chinese Journal of Tuberculosis and Respiratory Diseases, 2025, 48(4): 329-343. DOI: 10.3760/cma.j.cn112147-2021-00694.

· 16 ·

数字医学与健康XXXX年XX月第XX卷第XX Digit Med Health, XX XXXX, Vol. XX, No. XX

items for updated clinical guidelines: checklist for the reporting of updated guidelines (checkup) [J]. PLoS Med, 2017, 14(1): e1002207. DOI: 10.1371/journal.pmed.1002207. [19] Wang X, Zhao J, Mei T, et al. Quantification of preexisting lung ground glass opacities on CT for predicting checkpoint inhibitor pneumonitis in advanced non-small cell lung cancer patients [J]. BMC Cancer, 2024, 24(1): 269. DOI: 10.1186/s12885-024-12008-z. [20] Shu Y, Xu W, Su R, et al. Clinical applications of radiomics in non-small cell lung cancer patients with immune checkpoint inhibitor-related pneumonitis [J]. Front Immunol, 2023, 14: 1251645. DOI: 10.3389/fimmu.2023.1251645. [21] 中华学会放射学分会医学影像人工智能工作组,周俊林,洪楠,等.结直肠癌CT影像数据库构建及质量控制专家共识[J].中国医学影像学杂志,2025,33(1):9-10. DOI: 10.3969/j.issn.1005-5185.2025.01.001. [31] Artificial Intelligence Working Group of Chinese Society of Radiology Chinese Medical Association, Zhou JL, Hong N, et al. Expert consensus on ct image database construction and quality control for colorectal cancer [J]. Chinese Journal of Medical Imaging, 2025, 33(1): 1-9. DOI: 10.3969/j.issn.1005-5185.2025.01.001. [22] Orlhac F, Eertink JJ, Cottereau AS, et al. A guide to Combat harmonization of imaging biomarkers in multicenter studies [J]. J Nucl Med, 2022, 63(2): 172-179. DOI: 10.2967/j.nuem-121.262464. [23] Zhang X, Iqbal Bin Saripan M, Wu Y, et al. The impact of the combat method on radiomics feature compensation and analysis of scanners from different manufacturers [J]. BMC Med Imaging, 2024, 24(1): 137. DOI: 10.1186/s12880-024-01306-4. [24] Chrzan R, Wizner B, Sydor W, et al. Artificial intelligence guided HRCT assessment predicts the severity of COVID-19 pneumonia based on clinical parameters [J]. BMC Infect Dis, 2023, 23(1):314. DOI: 10.1186/s12879-023-08303-y. [25] Goncalves S, Fong PC, Blokhina M. Artificial intelligence for early diagnosis of lung cancer through incidental nodule detection in low-and middle-income countries-acceleration during the COVID-19 pandemic but here to stay[J]. Am J Cancer Res, 2022, 12(1): 1-16. PMID: 35141002; PMCID: PMC8822269. [26] Walsh S, De Backer J, Prosch H, et al. Towards the adoption of quantitative computed tomography in the management of interstitial lung disease [J]. Eur Respir Rev, 2024, 33(17): 230055. DOI: 10.1183/16000617.0055-2023. [27] Ayush M, Jakhanwal I. Assessment of high resolution computed tomography in the diagnosis of interstitial lung disease [J]. Int J Res Med Sci, 2018, 6(7): 2251. DOI: 10.18203/2320-6012.ijrms20182403. [28] Qiu Q, Xing L, Wang Y, et al. Development and validation of a radiomics nomogram using computed tomography for differentiating immune checkpoint inhibitor-related pneumonitis from radiation pneumonitis for patients with non-small cell lung cancer[J]. Front Immunol., 2022, 13: 870842. DOI: 10.3389/fimmu.2022.870842. [29] Shi L, Zhao J, Wei Z, et al. Radiomics in distinguishing between lung adenocarcinoma and lung squamous cell carcinoma: a systematic review and meta-analysis [J]. Front Oncol, 2024, 14:1381217. DOI: 10.3389/fonc.2024.1381217. [30] Tang X, Wu J, Liang J, et al. The value of combined PET/MRI.

CT and clinical metabolic parameters in differentiating lung adenocarcinoma from squamous cell carcinoma[J]. Front Oncol, 2022, 12:991102. DOI: 10.3389/fonc.2022.991102. [31] Lardinois D, Weder W, Hany TF, et al. Staging of non-small-cell lung cancer with integrated positron-emission tomography and computed tomography [J]. N Engl J Med, 2003, 348(25):2500-2507. DOI: 10.1056/NEJMoa022136. [32] Spieler B, Giret TM, Welford S, et al. Lung inflammation predictors in combined immune checkpoint-inhibitor and radiation therapy-proof-concept animal study[J]. Biomedicines, 2022, 10(5): 1173. DOI: 10.3390/biomedicines10051173. [33] Wu M, Zhang Y, Zhang J, et al. A combined-radiomics approach of CT images to predict response to anti-PD-1 immunotherapy in NSCLC: a retrospective multicenter study [J]. Front Oncol, 2021, 11: 688679. DOI: 10.3389/fonc.2021.688679. [34] Tone M, Izumo T, Awano N, et al. High mortality and poor treatment efficacy of immune checkpoint inhibitors in patients with severe grade checkpoint inhibitor pneumonitis in non-small cell lung cancer[J]. Thorac Cancer, 2019, 10(10): 2006-2012; DOI: 10.1111/1759-7714.13187. [35] Zhang Q. Tao X, Zhao S, et al. Association of clinical and radiological features with disease severity of symptomatic immune checkpoint inhibitor-related pneumonitis[J]. Diagnostics (Basel), 2023, 13(4): 691. DOI: 10.3390/diagnostics13040691. [36] Grodecki K, Klekar A, Simon J, et al. Artificial intelligence-assisted quantification of COVID-19 pneumonia burden from computed tomography improves prediction of adverse outcomes over visual scoring systems[J]. Br J Radiol, 2023, 96(1149):20220180. DOI: 10.1259/bjr.20220180. [37] Huang A, Xu Y, Zang X, et al. Radiographic features and prognosis of early-and late-onset non-small cell lung cancer immune checkpoint inhibitor-related pneumonitis[J]. BMC Cancer, 2021, 21(1): 634. DOI: 10.1186/s12885-021-08353-y. [38] Wang Y, Yin C, Zhang P. Multimodal risk prediction with physiological signals, medical images and clinical notes[J]. Heliyon, 2024, 10(5): e26772. DOI: 10.1016/j.heliyon.2024.e26772. [39] Lin M, Wang S, Ding Y, et al. An empirical study of using radiology reports and images to improve ICU-mortality prediction[C]//2021 IEEE 9th International Conference on Healthcare Informatics (ICHI). IEEE, 2021: 497-498. [40] Zaigham S, Gonçalves I, Center RG, et al. Polygenic scores for low lung function and the future risk of adverse health outcomes[J]. Cardiovasc Diabetol, 2022, 21(1): 230. DOI: 10.1186/s12933-022-01661-y. [41] Lee HM, Truong ST, Wong ND. Evidence of lung function for stratification of cardiovascular disease risk[J]. Korean Circ J, 2011, 41(4):171-174. DOI: 10.4070/kcj.2011.41.4.171. [42] Fraser E, St Noble V, Hoyles RK, et al. Readily accessible CT scoring method to quantify fibrosis in IPF[J]. BMJ Open Respir Res, 2020, 7(1): e000584. DOI: 10.1136/bmjresp-2020-000584. [43] Li D, Keogh R, Clancy JP, et al. Flexible semiparametric joint modeling: an application to estimate individual lung function decline and risk of pulmonary exacerbations in cystic fibrosis [J]. Emerg Themes Epidemiol, 2017, 14(1):13. DOI: 10.1186/

数字医学与健康 XXXX年XX月第XX卷第XX期 Digit Med Health, XX XXXX, Vol. XX, No. XX

· 17 ·

s12982-017-0067-1. [44] Hant FN, Ludwicka-Bradley A, Wang HJ, et al. Surfactant protein D and KL-6 as serum biomarkers of interstitial lung disease in patients with scleroderma[J]. J Rheumatol, 2009, 364(7):773-780. DOI: 10.3899/jrheum.080633. [45] Li X, Zeng W, Li X, et al. CT imaging changes of corona virus disease 2019(COVID-19): a multi-center study in Southwest China[J]. J Transl Med, 2020, 18(1): 154. DOI: 10.1186/s12967-020-02324-w. [46] Liu Y, Wu M, Zhang Y, et al. Imaging biomarkers to predict and evaluate the effectiveness of immunotherapy in advanced non-small-cell lung cancer[J]. Front Oncol, 2021, 11:657615. DOI: 10.3389/fonc.2021.657615. [47] Kothari G. Role of radiomics in predicting immunotherapy response[J]. J Med Imaging Radiat Oncol, 2022, 66(4): 575-591. DOI: 10.1111/1754-9485.13426. [48] Müller-Franzes G, Nebelung S, Schock J, et al. Reliability as a precondition for trust-segmentation reliability analysis of radiomic features improves survival prediction[J]. Diagnostics (Basel), 2022, 12(2): 247. DOI: 10.3390/diagnostics 12020247. [49] Jin T, Ji J, Xu X, et al. Identification and validation of a novel 17 coagulation-related genes signature for predicting prognostic risk in colorectal cancer[J]. Helyon, 2024, 10(12): e32687. DOI: 10.1016/j.heliyon.2024.e32687. [50] Auslander N, Zhang G, Lee JS, et al. Robust prediction of response to immune checkpoint blockade therapy in metastatic melanoma[J]. Nat Med, 2018, 24(10): 1545-1549. [51] Lan F, Fan B, Wang L, et al. The CURB65 score predicted 180-day mortality of non-small cell lung carcinoma patients with immune checkpoint inhibitor-associated pneumonitis: a pilot retrospective analysis[J]. Front Oncol, 2022, 12: 927858. DOI: 10.3389/fonc.2022.927858. [52] Sun N, Li R, Deng H, et al. The prognostic impact of severe grade immune checkpoint inhibitor related pneumonitis in non-small cell lung cancer patients[J]. Front Oncol, 2024, 14: 1372532. DOI: 10.3389/fonc.2024.1372532. [53] Li X, Lv F, Wang Y, et al. Establishment and validation of nomogram for predicting immuno checkpoint inhibitor related pneumonia[J]. BMC Pulm Med, 2022, 22(1):331. DOI: 10.1186/s12890-022-02127-3. [54] Yang L, He D, Huang D, et al. Development and validation of nomogram for hospital mortality in immunocompromised patients with severe pneumonia in intensive care units: a single-center, retrospective cohort study[J]. Int J Gen Med, 2022, 15:451-463. DOI: 10.2147/IJGM.S344544. [55] Aminu M, Daver N, Godoy M, et al. Heterogenous lung inflammation CT patterns distinguish pneumonia and immune checkpoint inhibitor pneumonitis and complement blood biomarkers in acute myeloid leukemia: proof of concept[J]. Front Immunol, 2023, 14:1249511. DOI: 10.3389/fimmu.2023.1249511. [56] Wang W, Zhao X, Jia Y, et al. The communication of artificial

intelligence and deep learning in computer tomography image recognition of epidemic pulmonary infectious diseases JJ). PLoS One, 2024, 19(2):e0297578. DOI: 10.1371/journal.pone.0297578. [57] Chen P, Zhang J, Wu J. Artificial intelligence in digital pathology to advance cancer immunotherapy[J]. 21 Century Pathol, 2022, 2(3): 120. PMID: 36282981; PMCID: PMC7957869. [58] Pratt J, Su W, Hayes D, et al. An animated functional data analysis interface to cluster rapid lung function decline and enhance center-level care in cystic fibrosis[J]. J Healthc Eng, 2021, 2021(1):6671833. DOI: 10.1155/2021/6671833. [59] Reuss JE, Brigham E, Psoter KJ, et al. Pretreatment lung function and checkpoint inhibitor pneumonitis in NSCLC[J]. JTO Clin Res Rep, 2021, 2(10): 100220. DOI: 10.1016/j.jtocr.2021.100220. [60] Zhang Z, Wittenstein J. Advancing acute respiratory failure management through artificial intelligence: a call for thematic collection contributions[J]. Intensive Care Med Exp, 2024, 12(1):45. DOI: 10.1186/s40635-024-00629-4. [61] Brady SL. Implementation of AI image reconstruction in CT-how is it validated and what dose reductions can be achieved[J]. Br J Radiol, 2023, 96(1150):20220915. DOI: 10.1259/bjr.20220915. [62] Lell M, Kachelrieß M. Computed tomography 2.0: new detector technology, AI, and other developments[J]. Invest Radiol, 2023, 58(8): 587-601. DOI: 10.1097/RLI.0000000000009995. [63] Allen C, Yeo AU, Hardcastle N, et al. Evaluating synthetic computed tomography images for adaptive radiotherapy decision making in head and neck cancer[J]. Phys Imaging Radiat Oncol, 2023, 27: 100478. DOI: 10.1016/j.phro.2023.100478. [64] Lin X, Deng H, Chen L, et al. Clinical types of checkpoint inhibitor-related pneumonitis in lung cancer patients: a multicenter experience[J]. Transl Lung Cancer Res, 2021, 10(1):415-429. DOI: 10.21037/tclr-20-1258. [65] Tonneau M, Phan K, Manem V, et al. Generalization optimizing machine learning to improve CT scan radiomics and assess immune checkpoint inhibitors' response in non-small cell lung cancer: a multicenter cohort study[J]. Front Oncol, 2023, 13: 1196414. DOI: 10.3389/fonc.2023.1196414. [66] Wang R, Qiu Y. Wang T, et al. MIHIC: a multiplex IHC histopathological image classification dataset for lung cancer immune microenvironment quantification[J]. Front Immunol, 2024, 15: 1334348. DOI: 10.3389/fimmu.2024.1334348. [67] Zeng C, Zhang W, Liu M, et al. Efficacy of radiomics model based on the concept of gross tumor volume and clinical target volume in predicting occult lymph node metastasis in non-small cell lung cancer[J]. Front Oncol, 2023, 13: 1096364. DOI: 10.3389/fonc.2023.1096364.

推荐意见与 GRADE 证据分级

相关指南

• 肺癌免疫检查点抑制剂相关肺炎的多模态影像组学与AI动态管理专家共识（第1版） · 呼吸内科
• 初诊肺癌合并阻塞性肺炎临床诊疗专家共识 · 呼吸内科
• 人感染新亚型流感影像诊断专家共识 · 呼吸内科