引用本文： 林莊恒, 柴燕玲. 人工智能在結締組織相關間質性肺疾病的應用及研究進展. 中國呼吸與危重監護雜志, 2024, 23(7): 529-532. doi: 10.7507/1671-6205.202310045 復制
版權信息： ?四川大學華西醫院華西期刊社《中國呼吸與危重監護雜志》版權所有，未經授權不得轉載、改編
人工智能（artificial intelligence，AI）是指模擬、延伸和擴展人的智能的理論、方法、技術及其應用系統[1]。近年來，AI在醫學領域的應用引起了廣泛關注，并在臨床實踐中得到越來越多的應用。隨著大數據時代的到來，信息的爆炸性增長和生物醫學數據的廣泛可用性為AI提供了廣闊的發展空間。在呼吸系統領域，AI已在疾病流行預測、協助診斷、慢病管理、預測預后、并發癥、療效和藥物不良反應等方面展現了顯著的效果[2]。AI正在逐步應用于結締組織相關間質性肺疾病（connective tissue disease related interstitial lung disease，CTD-ILD）領域。在診斷方面，AI通過深度學習技術分析CT圖像上的特征性表現，以鑒別間質性肺病，并自動分析和識別肺音特征，從而輔助醫生進行精確的診斷。此外，AI還能預測疾病的發展趨勢和可能的并發癥，幫助醫生制定更個性化的治療方案。在藥物治療方面，AI能夠根據患者的基因信息和疾病特征，預測哪種藥物可能對患者更有效，從而避免不必要的試錯。在預后評估方面，AI可以通過分析患者的臨床數據和疾病進展情況，預測患者的預后情況，幫助醫生和患者做出更明智的決策。然而，盡管AI在這一領域取得了重要的進展，但目前仍面臨許多挑戰和限制。本文將深入探討AI在CTD-ILD診斷、治療和預后評估中的應用，并對其未來的發展提出一些建設性的建議。
1 CTD-ILD的定義及AI的應用
間質性肺疾病（interstitial lung disease，ILD）是一組以肺泡單位炎癥和間質纖維化為主要病變的肺部疾病，可以使多種結締組織病（connective tissue disease，CTD）惡化，顯著增加CTD患者的發病率和病死率[3-4]。其中，CTD包括系統性硬化癥（systemic sclerosis，SSc）、類風濕性關節炎、多發性肌炎/皮肌炎、干燥綜合征、系統性紅斑狼瘡、混合性結締組織病和未分化結締組織病[5-6]。其中，AI在CTD-ILD的主要應用包括深度學習和影像組學[1-2]。影像組學利用AI將醫學影像轉化為大量可挖掘的高通量影像學信息，可以挖掘大量人眼難以識別的定量特征（包括形狀特征、灰度特征、紋理特征、小波特征等），并將定量特征與臨床特征、蛋白質基因組信息和其他信息相結合[7-8]。不同于影像組學，深度學習的特征是在與臨床問題的聯合學習中得到的。基于卷積網絡（convolutional neural network，CNN）的深度學習已應用于超聲、X線片、電子計算機斷層掃描、正電子發射計算機斷層顯像和磁共振成像等[9-10]。不僅如此，深度學習模型能夠通過收集大量肺音數據進行訓練，學習提取特征并進行分類、診斷。針對CTD-ILD的治療和預后，利用深度學習技術也可以為病人提供合適的治療方案、預測生存率等。
2 AI在CTD-ILD診斷中的應用
目前，AI技術已經廣泛應用于影像學和臨床醫學領域，尤其在醫學影像和肺音檢測方面發揮了重要作用。CTD-ILD患者在疾病早期往往沒有明顯的癥狀，而高分辨率計算機斷層掃描（high-resolution computed tomography，HRCT）仍是診斷ILD的金標準。然而，由于HRCT的輻射照射和高昂的費用，將其常規用于篩查并不可行[11]。因此，對于CTD-ILD的早期檢測以及尋找新的診斷方法顯得尤為重要。AI通過分析CT圖像中的細微變化和紋理特征，可以檢測到人眼無法察覺到的CT特征，這些特征包括正常肺組織、磨玻璃影、纖維化、肺氣腫、結節、實變、蜂窩狀改變等。通過深度學習算法和模式識別技術，AI可以學習和識別這些細微的特征，并提供更準確和全面的診斷和評估結果。Ohno等[12]利用機器學習的CT紋理分析，根據胸部CT圖像對影像學結果進行分類，模型通過挖掘多種影像組學特征信息，能夠顯著提高觀察者間的一致性，并在區分慢性阻塞性肺疾病、ILD或感染性疾病與正常肺部間具有更高的性能，總體區分準確率為94.9%。
據報道，Velcro啰音與肺纖維化之間存在密切相關性，肺音檢測結合深度學習技術可以提供一種新的診斷策略。Dianat等[11]利用基于CNN的模型，從受結締組織疾病影響的患者中獲得肺音并分類，設計了三種最佳性能模型InceptionV3、DenseNet201和EfficientNetB3，其受試者操作特征曲線下面積（area under ROC curve，AUC）分別為0.93、0.95和0.96，總體準確率在85%～91%。InceptionV3在三種不同的情景中，即CNN處理原始數據（即沒有去噪任務）且沒有數據增強，CNN處理原始數據并進行數據增強，以及CNN處理去噪數據且沒有數據增強的AUC分別為0.83、0.85和0.79。該技術顯示在模型中使用去噪任務和數據增強方法可以顯著提高性能。
由于眾多AI術前模型均無法保證百分百的預測準確率，因此其主要還是作為一種輔助醫生的工具，為醫生在疾病診斷中提供參考。
3 AI在CTD-ILD治療和預后中的應用
ILD嚴重程度和死亡風險分層的常用方法依賴于肺功能測試和HRCT上肺纖維化程度的測量。然而，有些患者可能無法完成肺功能測試，可能是因為身體狀況不適合或無法配合測試要求。這就導致了依從性的缺乏，影響了肺功能測試結果的準確性[13]。CT通常保留給癥狀加重或肺功能惡化的患者[14]。在這種情況下，影像AI可以作為一種替代方法，通過分析胸部CT圖像來評估肺部功能和疾病程度。Feng等[15]從1 029個具有預測價值的特征中選擇了11個影像組學特征設計了RF和k-NN模型用于預測糖皮質激素聯合或不聯合環磷酰胺的治療反應，在驗證集中，RF和k-NN模型的AUC分別為0.66和0.61，當將臨床數據整合到RF和k-NN模型中時，AUC分別提高至0.71和0.61。決策曲線分析顯示，對于個體來說，如果預測的治療反應率在50%～60%，糖皮質激素的使用是有益的。另外，高劑量的糖皮質激素和環磷酰胺顯示出更好的療效。
在預后方面，越來越多的研究者使用胸部CT來識別形態學變化，監測疾病進展或發現新的合并癥[14]。Li等[16]利用選定的獨立危險因素構建臨床模型和18F-FDG PET/CT圖像影像學模型來預測和早期診斷抗MDA5+DM相關快速進展型間質性肺疾病（rapidly progressive interstitial lung disease，RP-ILD），通過FDG攝取來預測RP-ILD時，受試者操作特征曲線（receiver operator characteristic curve，ROC曲線）分析顯示AUC為0.944。當SUVmax≥2.4被用作預測RP-ILD的閾值時，診斷敏感性、特異性和準確性分別為100.0%、87.0%和90.0%。
在臨床實踐中，通常使用70%的用力肺活量占預計值百分比和HRCT上的20%的纖維化程度作為評估標準。然而，肺功能測試作為一種獨立的檢查方式在診斷目的上效果不如HRCT。為了彌補這種單一評估方式的局限性，Ley等[17]在2012年提出了一種被稱為性別、年齡和肺功能的GAP評分和分期系統，該分期在慢性ILD患者中顯示出了強大的預測能力。Jiang等[18]基于胸部CT圖像建立了影像組學模型，并根據Rad評分和臨床數據建立了列線圖模型，用于預測CTD-ILD患者的GAP分期。訓練集和測試集中的AUC分別為0.803和0.801。通過結合臨床因素和影像組學特征的列線圖模型，能夠很好地區分GAP Ⅰ和GAP Ⅱ、GAP Ⅲ期，并提高了準確性。Martini等[19]利用基于紋理的影像組學特征檢測SSc-ILD患者，并與僅基于HRCT的視覺分析相比較，以區分不同疾病階段。在模型中結合蜂窩、肺氣腫和支氣管擴張，達到了最高的性能，AUC為0.86。預測GAP分期和纖維化程度的AUC為0.606。當對粗糙度得分進行ROC分析時，預測GAP階段的AUC達到0.863。
盡管出現了針對性的治療方法，但CTD-ILD仍然是SSc的主要死因，這仍是一個重要挑戰，原因在于患者特定的疾病軌跡和進展速度的高度差異。在最近的一項研究中，Schniering等[20]提出了無監督聚類的方法，以識別并描述基于圖像的患者群體。通過監督分析，他們利用放射組學特征得出了一個臨床可應用的預后定量放射組學風險評分qRISSc，用于預測進展無生存期。該研究表明，基于放射組學的風險分層能夠利用常規CT圖像提供互補的表型、臨床和預后信息，對SSc-ILD的臨床決策產生了顯著影響。
4 對AI輔助結締組織相關間質性肺疾病今后研究的建議
隨著AI技術的不斷發展和應用，其在輔助CTD-ILD研究中的潛力逐漸展現出來。然而，目前對于AI在CTD-ILD領域的研究還相對有限，仍有許多值得深入探索的方向。在未來的研究中，我們提出以下幾點建議。
4.1 重視高質量數據集的構建和再利用
構建強大且高效的AI模型需要依賴海量且高質量的數據集。然而，由于患者隱私、倫理和法律等問題，臨床數據的可用性和共享程度大大受限。再加上不同數據來源的巨大異質性，以及預測模型研究的報告質量不佳，使得獲取并利用高質量數據的過程充滿挑戰[21]。為了解決影像組學方法學的復雜性并簡化其流程，2017年Lambin等[22]引入了一個名為（radiomics quality score，RQS）的“質量認證”機制，主要用于評估已發表研究成果的方法學質量[23]。Akinci D'Antonoli等[24]進一步引入了一種名為RadBase的可搜索影像組學研究數據庫，以提高影像組學研究的可重復性。他們建議學術期刊采用可重復性標準模型，并對那些愿意分享模型、代碼和數據的研究者給予獎勵。通過實施這些措施可以推動影像組學研究的可重復性和持續性，從而進一步推動該領域的發展。
4.2 重視AI技術的創新、算法的優化以及AI模型的驗證
技術的創新是推動AI技術進步的關鍵。傳統圖像分割是非監督學習，不需要標簽信息。語義分割將圖像分割成不同語義類別區域，實現高級別分析和理解，為圖像處理和應用提供更多信息。傳統CNN的全連接層會將二維圖像特征壓扁成一維的特征向量，丟失了空間信息，直接用于分割任務的效果并不理想。2015年，研究者提出了全卷積網絡（fully convolutional network，FCN）的概念，以恢復丟失的空間信息為主線實現了更加高效的語義分割[25]。Chassagnon等[26]基于深度學習的方法，通過對SSc患者胸部CT掃描進行彈性配準檢測肺萎縮以描繪ILD惡化，在視覺評估中發現具有惡化ILD的患者的Jacobian圖顯示了后部肺底的肺實質萎縮。TTe分類器在形態和功能惡化的檢測中的準確率分別為80%和83%。相比CT，磁共振成像（magnetic resonance imaging，MRI）是一種無輻射的技術，能夠評估纖維化的活性，并對肺形態的微小變化或肺功能的變化更敏感。然而，目前還沒有研究將深度學習技術應用于MRI檢測CTD-ILD[27]。此外，肺血管體積的變化可以作為SSc-ILD嚴重程度的生物標志物[28]。在腫瘤領域，已有學者利用同一患者不同序列的斷層掃描圖像提取靜態特征，將其量化為新的動態特征以預測治療效果[29]。能否借鑒該思路，應用于預后和療效，值得進一步探索。
4.3 將ILD影像AI算法與臨床實踐相結合
AI算法的最終目標是應用于臨床實踐中，提高ILD的診斷準確性和治療效果。為此，需要建立統一的臨床實踐指南和流程，以確保AI算法的正確應用和臨床效果的評估。在應用AI于診斷時，需遵守法律上的嚴格產品責任標準，并要求臨床醫生適當地應用和實施。護理義務是臨床醫生對患者所負有的。患者必須充分了解使用AI的風險、益處和局限性。此外，還可能發生醫療過失，特別是當患者在沒有專家指導的情況下使用基于互聯網的應用程序或軟件時。因此，在決策系統中還應考慮數據隱私和患者對軟件的意見[30]。
5 展望
AI在CTD-ILD的應用正在取得顯著進展，并展現出巨大的潛力。通過深度學習算法和大量的影像數據，AI可以準確地識別和定量評估肺部纖維化和炎癥的程度，為醫生提供更準確的診斷和治療建議。未來，隨著技術的不斷發展和數據的不斷積累， AI在結締組織相關間質性肺疾病的應用前景廣闊。
利益沖突：本文不涉及任何利益沖突。
人工智能（artificial intelligence，AI）是指模擬、延伸和擴展人的智能的理論、方法、技術及其應用系統[1]。近年來，AI在醫學領域的應用引起了廣泛關注，并在臨床實踐中得到越來越多的應用。隨著大數據時代的到來，信息的爆炸性增長和生物醫學數據的廣泛可用性為AI提供了廣闊的發展空間。在呼吸系統領域，AI已在疾病流行預測、協助診斷、慢病管理、預測預后、并發癥、療效和藥物不良反應等方面展現了顯著的效果[2]。AI正在逐步應用于結締組織相關間質性肺疾病（connective tissue disease related interstitial lung disease，CTD-ILD）領域。在診斷方面，AI通過深度學習技術分析CT圖像上的特征性表現，以鑒別間質性肺病，并自動分析和識別肺音特征，從而輔助醫生進行精確的診斷。此外，AI還能預測疾病的發展趨勢和可能的并發癥，幫助醫生制定更個性化的治療方案。在藥物治療方面，AI能夠根據患者的基因信息和疾病特征，預測哪種藥物可能對患者更有效，從而避免不必要的試錯。在預后評估方面，AI可以通過分析患者的臨床數據和疾病進展情況，預測患者的預后情況，幫助醫生和患者做出更明智的決策。然而，盡管AI在這一領域取得了重要的進展，但目前仍面臨許多挑戰和限制。本文將深入探討AI在CTD-ILD診斷、治療和預后評估中的應用，并對其未來的發展提出一些建設性的建議。
1 CTD-ILD的定義及AI的應用
間質性肺疾病（interstitial lung disease，ILD）是一組以肺泡單位炎癥和間質纖維化為主要病變的肺部疾病，可以使多種結締組織病（connective tissue disease，CTD）惡化，顯著增加CTD患者的發病率和病死率[3-4]。其中，CTD包括系統性硬化癥（systemic sclerosis，SSc）、類風濕性關節炎、多發性肌炎/皮肌炎、干燥綜合征、系統性紅斑狼瘡、混合性結締組織病和未分化結締組織病[5-6]。其中，AI在CTD-ILD的主要應用包括深度學習和影像組學[1-2]。影像組學利用AI將醫學影像轉化為大量可挖掘的高通量影像學信息，可以挖掘大量人眼難以識別的定量特征（包括形狀特征、灰度特征、紋理特征、小波特征等），并將定量特征與臨床特征、蛋白質基因組信息和其他信息相結合[7-8]。不同于影像組學，深度學習的特征是在與臨床問題的聯合學習中得到的。基于卷積網絡（convolutional neural network，CNN）的深度學習已應用于超聲、X線片、電子計算機斷層掃描、正電子發射計算機斷層顯像和磁共振成像等[9-10]。不僅如此，深度學習模型能夠通過收集大量肺音數據進行訓練，學習提取特征并進行分類、診斷。針對CTD-ILD的治療和預后，利用深度學習技術也可以為病人提供合適的治療方案、預測生存率等。
2 AI在CTD-ILD診斷中的應用
目前，AI技術已經廣泛應用于影像學和臨床醫學領域，尤其在醫學影像和肺音檢測方面發揮了重要作用。CTD-ILD患者在疾病早期往往沒有明顯的癥狀，而高分辨率計算機斷層掃描（high-resolution computed tomography，HRCT）仍是診斷ILD的金標準。然而，由于HRCT的輻射照射和高昂的費用，將其常規用于篩查并不可行[11]。因此，對于CTD-ILD的早期檢測以及尋找新的診斷方法顯得尤為重要。AI通過分析CT圖像中的細微變化和紋理特征，可以檢測到人眼無法察覺到的CT特征，這些特征包括正常肺組織、磨玻璃影、纖維化、肺氣腫、結節、實變、蜂窩狀改變等。通過深度學習算法和模式識別技術，AI可以學習和識別這些細微的特征，并提供更準確和全面的診斷和評估結果。Ohno等[12]利用機器學習的CT紋理分析，根據胸部CT圖像對影像學結果進行分類，模型通過挖掘多種影像組學特征信息，能夠顯著提高觀察者間的一致性，并在區分慢性阻塞性肺疾病、ILD或感染性疾病與正常肺部間具有更高的性能，總體區分準確率為94.9%。
據報道，Velcro啰音與肺纖維化之間存在密切相關性，肺音檢測結合深度學習技術可以提供一種新的診斷策略。Dianat等[11]利用基于CNN的模型，從受結締組織疾病影響的患者中獲得肺音并分類，設計了三種最佳性能模型InceptionV3、DenseNet201和EfficientNetB3，其受試者操作特征曲線下面積（area under ROC curve，AUC）分別為0.93、0.95和0.96，總體準確率在85%～91%。InceptionV3在三種不同的情景中，即CNN處理原始數據（即沒有去噪任務）且沒有數據增強，CNN處理原始數據并進行數據增強，以及CNN處理去噪數據且沒有數據增強的AUC分別為0.83、0.85和0.79。該技術顯示在模型中使用去噪任務和數據增強方法可以顯著提高性能。
由于眾多AI術前模型均無法保證百分百的預測準確率，因此其主要還是作為一種輔助醫生的工具，為醫生在疾病診斷中提供參考。
3 AI在CTD-ILD治療和預后中的應用
ILD嚴重程度和死亡風險分層的常用方法依賴于肺功能測試和HRCT上肺纖維化程度的測量。然而，有些患者可能無法完成肺功能測試，可能是因為身體狀況不適合或無法配合測試要求。這就導致了依從性的缺乏，影響了肺功能測試結果的準確性[13]。CT通常保留給癥狀加重或肺功能惡化的患者[14]。在這種情況下，影像AI可以作為一種替代方法，通過分析胸部CT圖像來評估肺部功能和疾病程度。Feng等[15]從1 029個具有預測價值的特征中選擇了11個影像組學特征設計了RF和k-NN模型用于預測糖皮質激素聯合或不聯合環磷酰胺的治療反應，在驗證集中，RF和k-NN模型的AUC分別為0.66和0.61，當將臨床數據整合到RF和k-NN模型中時，AUC分別提高至0.71和0.61。決策曲線分析顯示，對于個體來說，如果預測的治療反應率在50%～60%，糖皮質激素的使用是有益的。另外，高劑量的糖皮質激素和環磷酰胺顯示出更好的療效。
在預后方面，越來越多的研究者使用胸部CT來識別形態學變化，監測疾病進展或發現新的合并癥[14]。Li等[16]利用選定的獨立危險因素構建臨床模型和18F-FDG PET/CT圖像影像學模型來預測和早期診斷抗MDA5+DM相關快速進展型間質性肺疾病（rapidly progressive interstitial lung disease，RP-ILD），通過FDG攝取來預測RP-ILD時，受試者操作特征曲線（receiver operator characteristic curve，ROC曲線）分析顯示AUC為0.944。當SUVmax≥2.4被用作預測RP-ILD的閾值時，診斷敏感性、特異性和準確性分別為100.0%、87.0%和90.0%。
在臨床實踐中，通常使用70%的用力肺活量占預計值百分比和HRCT上的20%的纖維化程度作為評估標準。然而，肺功能測試作為一種獨立的檢查方式在診斷目的上效果不如HRCT。為了彌補這種單一評估方式的局限性，Ley等[17]在2012年提出了一種被稱為性別、年齡和肺功能的GAP評分和分期系統，該分期在慢性ILD患者中顯示出了強大的預測能力。Jiang等[18]基于胸部CT圖像建立了影像組學模型，并根據Rad評分和臨床數據建立了列線圖模型，用于預測CTD-ILD患者的GAP分期。訓練集和測試集中的AUC分別為0.803和0.801。通過結合臨床因素和影像組學特征的列線圖模型，能夠很好地區分GAP Ⅰ和GAP Ⅱ、GAP Ⅲ期，并提高了準確性。Martini等[19]利用基于紋理的影像組學特征檢測SSc-ILD患者，并與僅基于HRCT的視覺分析相比較，以區分不同疾病階段。在模型中結合蜂窩、肺氣腫和支氣管擴張，達到了最高的性能，AUC為0.86。預測GAP分期和纖維化程度的AUC為0.606。當對粗糙度得分進行ROC分析時，預測GAP階段的AUC達到0.863。
盡管出現了針對性的治療方法，但CTD-ILD仍然是SSc的主要死因，這仍是一個重要挑戰，原因在于患者特定的疾病軌跡和進展速度的高度差異。在最近的一項研究中，Schniering等[20]提出了無監督聚類的方法，以識別并描述基于圖像的患者群體。通過監督分析，他們利用放射組學特征得出了一個臨床可應用的預后定量放射組學風險評分qRISSc，用于預測進展無生存期。該研究表明，基于放射組學的風險分層能夠利用常規CT圖像提供互補的表型、臨床和預后信息，對SSc-ILD的臨床決策產生了顯著影響。
4 對AI輔助結締組織相關間質性肺疾病今后研究的建議
隨著AI技術的不斷發展和應用，其在輔助CTD-ILD研究中的潛力逐漸展現出來。然而，目前對于AI在CTD-ILD領域的研究還相對有限，仍有許多值得深入探索的方向。在未來的研究中，我們提出以下幾點建議。
4.1 重視高質量數據集的構建和再利用
構建強大且高效的AI模型需要依賴海量且高質量的數據集。然而，由于患者隱私、倫理和法律等問題，臨床數據的可用性和共享程度大大受限。再加上不同數據來源的巨大異質性，以及預測模型研究的報告質量不佳，使得獲取并利用高質量數據的過程充滿挑戰[21]。為了解決影像組學方法學的復雜性并簡化其流程，2017年Lambin等[22]引入了一個名為（radiomics quality score，RQS）的“質量認證”機制，主要用于評估已發表研究成果的方法學質量[23]。Akinci D'Antonoli等[24]進一步引入了一種名為RadBase的可搜索影像組學研究數據庫，以提高影像組學研究的可重復性。他們建議學術期刊采用可重復性標準模型，并對那些愿意分享模型、代碼和數據的研究者給予獎勵。通過實施這些措施可以推動影像組學研究的可重復性和持續性，從而進一步推動該領域的發展。
4.2 重視AI技術的創新、算法的優化以及AI模型的驗證
技術的創新是推動AI技術進步的關鍵。傳統圖像分割是非監督學習，不需要標簽信息。語義分割將圖像分割成不同語義類別區域，實現高級別分析和理解，為圖像處理和應用提供更多信息。傳統CNN的全連接層會將二維圖像特征壓扁成一維的特征向量，丟失了空間信息，直接用于分割任務的效果并不理想。2015年，研究者提出了全卷積網絡（fully convolutional network，FCN）的概念，以恢復丟失的空間信息為主線實現了更加高效的語義分割[25]。Chassagnon等[26]基于深度學習的方法，通過對SSc患者胸部CT掃描進行彈性配準檢測肺萎縮以描繪ILD惡化，在視覺評估中發現具有惡化ILD的患者的Jacobian圖顯示了后部肺底的肺實質萎縮。TTe分類器在形態和功能惡化的檢測中的準確率分別為80%和83%。相比CT，磁共振成像（magnetic resonance imaging，MRI）是一種無輻射的技術，能夠評估纖維化的活性，并對肺形態的微小變化或肺功能的變化更敏感。然而，目前還沒有研究將深度學習技術應用于MRI檢測CTD-ILD[27]。此外，肺血管體積的變化可以作為SSc-ILD嚴重程度的生物標志物[28]。在腫瘤領域，已有學者利用同一患者不同序列的斷層掃描圖像提取靜態特征，將其量化為新的動態特征以預測治療效果[29]。能否借鑒該思路，應用于預后和療效，值得進一步探索。
4.3 將ILD影像AI算法與臨床實踐相結合
AI算法的最終目標是應用于臨床實踐中，提高ILD的診斷準確性和治療效果。為此，需要建立統一的臨床實踐指南和流程，以確保AI算法的正確應用和臨床效果的評估。在應用AI于診斷時，需遵守法律上的嚴格產品責任標準，并要求臨床醫生適當地應用和實施。護理義務是臨床醫生對患者所負有的。患者必須充分了解使用AI的風險、益處和局限性。此外，還可能發生醫療過失，特別是當患者在沒有專家指導的情況下使用基于互聯網的應用程序或軟件時。因此，在決策系統中還應考慮數據隱私和患者對軟件的意見[30]。
5 展望
AI在CTD-ILD的應用正在取得顯著進展，并展現出巨大的潛力。通過深度學習算法和大量的影像數據，AI可以準確地識別和定量評估肺部纖維化和炎癥的程度，為醫生提供更準確的診斷和治療建議。未來，隨著技術的不斷發展和數據的不斷積累， AI在結締組織相關間質性肺疾病的應用前景廣闊。
利益沖突：本文不涉及任何利益沖突。