ARDS影像学:AI时代下生理学指导的临床决策

急性呼吸窘迫综合征（ARDS）的治疗基于这样一个前提：导致严重低氧血症的多种不同病因最终都会汇聚到共同的发病机制通路上，这为标准化的治疗方法提供了合理依据。这一伞式管理框架（umbrella framework）彻底改变了低氧血症的临床诊疗，为危重症领域的多中心随机对照试验（RCT）确立了严谨的标准，并最终转化为临床预后的改善 [1]。然而，这种进步是以牺牲代价为前提的，即默认了在这一显著异质性的综合征内部存在生物学的同质性。

识别ARDS可干预特征的障碍

目前ARDS的核心治疗措施包括小潮气量通气、呼气末正压（PEEP）以及针对中重度患者的俯卧位通气 [2, 3]。许多具有生物学合理性的治疗方法在临床前模型以及使用生理学或替代终点的小规模人体研究中表现出了令人鼓舞的结果，但在大型RCT中却未能证实其生存获益。这一转化医学失败的轨迹在全身糖皮质激素及其他免疫调节剂、吸入一氧化氮、体外膜肺氧合（ECMO）、他汀类药物、肺复张手法以及统一的高PEEP策略中屡见不鲜。

一个反复出现的解释是缺乏精准的生理学靶向，即把ARDS视为单一实体的宏观假设与该疾病巨大的个体间变异性之间存在脱节。作为ARDS定义中不可或缺的组成部分，肺部影像学自最初确立以来经历了巨大的技术飞跃。无论是传统的影像技术还是基于人工智能（AI）的方法，现在均能实现对ARDS形态功能学特征的可视化，从而提供可测量的治疗靶点 [4]。

2019年，LIVE试验测试了根据个体肺形态定制的个性化机械通气是否能比标准照护改善生存率 [5]。尽管由于临床医生的识别偏误导致意向性治疗分析呈中性结果，但这型大型试验被广泛视为一项概念验证，证实影像学可以识别出ARDS的形态学“表型”——即弥漫性和局灶性（主要在背侧），它们对高PEEP和俯卧位通气的反应截然不同。更广泛地看，利用生物标志物、临床特征和计算方法的多重路径一直在尝试识别具有差异化治疗反应的ARDS表型 [6]。然而，这些个性化策略目前尚未转化为在临床预后上可复制、可干预的实际改善。

ARDS分型：缺乏临床转化的美好承诺

识别ARDS亚型的设想并非新鲜事。在20世纪90年代，肺源性与肺外源性ARDS的区分 [6] 由于临床鉴别力差且缺乏明确的临床操作启示，最终未能转化为临床决策。近年来，对临床试验数据的潜类分析识别出了ARDS的低炎症和高炎症“生物学表型” [7]。最初，这一方法激发了极大的学术热情，因为对先前呈中性结果的RCT进行二次分析提示，辛伐他汀能显著降低高炎症亚组患者的病死率 [8]。

然而，在过去的十年中，ARDS分层领域的研究催生了各式各样的患者分组，对临床实际管理的启示却非常有限。前瞻性验证在很大程度上处于缺位状态。尽管最近的数据表明，利用床旁即时检测可以快速识别炎症亚表型 [9]，但基于这些工具的精准医学路径在临床上的落地验证仍相去甚远。而影像学可能有助于解决这一局限。

肺部影像学与影像组学：ARDS中未被充分利用的决策工具

影像技术在评估ARDS患者中得到了广泛应用，其价值部分在于能够捕捉疾病快速、随时间变化的动态特征，特别是在与其他形式的呼吸监测联合使用时 [10]。AI显著拓展了影像学在ARDS中的应用，尤其是通过影像组学（radiomics）：从医学图像中高通量提取定量特征，这些特征在肉眼视觉检查中不一定能被察觉，但可能与潜在的底层生物学过程密切相关 [11]。

目前，大语言/多模态基础模型（foundation models）和视觉-语言架构正被应用于胸部影像，实现了自动分割、模式识别以及影像与临床和分子数据的整合。然而，大多数基于AI的ARDS影像模型都是利用单中心回顾性队列数据训练出来的，外部验证非常有限 [4]。这引发了关于泛化性、算法偏见、缺乏可解释性以及在临床决策中过度依赖这些工具的严重担忧。

即使这些局限性逐步得到解决，一旦提取出影像特征，核心的挑战依然存在，即这些源自影像的参数究竟能否指导治疗决策。这条从“特征提取”走向“临床干预”的路径在很大程度上仍未得到证实。在概念上，由影像捕捉到的若干具有生理学意义的变量，确实可以与特定的临床操作相匹配（如呼吸机参数设置、药物干预或临床操作等），其中包括那些在不加区分地应用时未通过随机对照试验证实的疗法。在此视角下，影像学必须从一种单纯的描述性工具，演变为整合了炎症标志物、呼吸力学和气体交换的综合决策闭环中的核心组成部分。

PEEP滴定就是一个范例。虽然学术界广泛赞同应根据肺的可复张性实施个体化PEEP滴定，但尚无大型RCT系统性地评估基于定量计算机断层扫描（CT）、电阻抗成像（EIT）或肺部超声（LUS）指导的PEEP滴定。因此，这些经典技术在临床协议中的实际执行度远低于其在学术上的讨论度 [2]。

近期的进展正在缩小这一差距：针对EIT指导下PEEP设置的一项Meta分析表明，其能改善ARDS患者的呼吸力学并可能改善临床预后 [12]；此外，一项国际共识现已为在床旁基于EIT对通气和灌注进行标准化获取与处理提供了规范指南 [13]。基于EIT的肺灌注评估现已在商用设备中可获得，实现了在床旁对通气-灌注（V/Q）失调的定量评估，其失调程度已被证实与ARDS患者的病死率独立相关 [1]。

从利用普通胸片或LUS进行诊断 [14]，到复杂的影像组学模式分析 [6]，影像学已使ARDS变得极具可量化性，然而这些海量信息中的大部分在临床上依然处于“惰性”状态。这是ARDS研究中反复出现的模式：生物学描述在不断改善，但临床决策并未随之优化。

在这些具有潜在可干预性的特征中：

肺部的非均质性（Inhomogeneity）和损伤分布特征可用于指导俯卧位通气的指征；

通气-灌注（V/Q）失调可为靶向药物治疗提供依据；

双能CT（Dual-energy CT）可提供独特的生理学见解，以指导吸入或静脉肺血管扩张剂的给药，以及选择对肺灌注影响尚未明确的血管活性药物；

循环生物标志物可与影像组学进行有机整合，以识别对特定治疗有反应的生物学特征，从而指导ARDS的靶向药物策略。这包括上皮损伤、内皮功能障碍、炎症反应和代谢失调的标志物。

这种将影像学与血清蛋白特征、代谢组学和临床表型进行整合的“多组学（multi-omics）”方法，有望同时提高预后富集（prognostic enrichment）和预测富集（predictive enrichment）的效率，并为未来的研究提供指南 [15]。图1展示了肺部影像学在ARDS中值得进一步深入探索的潜在临床应用。

除非与具体的治疗靶点相链接，否则ARDS的“表型”将永远停留在理论推测的阶段。影像学如果能与先进的呼吸监测和AI驱动的分析技术相整合，就能够识别出急性呼吸衰竭的可干预特征（actionable traits），并指导靶向性的临床干预，从而推动ARDS向精准医学这一迄今在很大程度上仍未兑现的承诺迈进。

核心学术要点与创新性总结

要点总结

本篇由Ball等重症大咖发表在《Intensive Care Medicine 2026》上的社论，高屋建瓴地评述了在人工智能（AI）和多模态技术爆发时代，如何将肺部影像学从传统的“描述性诊断工具”重构为“指导重症临床决策的生理学闭环”。

ARDS转化医学失败的根源：

传统的ARDS管理依赖于“伞式框架（将ARDS视为单一的同质化综合征）”，这导致许多在生理和临床前表现优异的干预措施（如高PEEP、糖皮质激素、一氧化氮、ECMO）在大型RCT中由于缺乏精准的生理学靶向而相继失败。

影像学与AI/影像组学的崛起：

胸部CT、EIT和LUS等影像技术已实现高度量化，特别是在引入AI和影像组学（Radiomics）后，能够从图像中高通量提取肉眼无法察觉的定量特征，并与底层的微观病理生理过程（如上皮屏障受损、内皮渗漏）相链接。

从“理论表型”走向“临床干预闭环”：

尽管影像学已将ARDS解构得极其细致，但目前大多数信息仍处于“临床惰性”状态。影像学必须与床旁呼吸力学、气体交换以及循环生物标志物（如Ang-2、sRAGE）相结合，形成动态的决策反馈环（如通过EIT定量评估V/Q失调和肺泡塌陷、通过双能CT指导肺血管扩张剂的应用）。

创新性

本篇社论的创新性与前瞻性在于，它首次指明了重症精准医学在经历十年“单纯患者分型（Phenotyping）”狂热后所面临的临床转化瓶颈，并提出了以“影像生理学（Imaging Physiology）”为核心的多轴整合解决方案。

打破“无治疗靶点分型”的死胡同：

社论一针见血地指出，无论是高/低炎症表型，还是肺源/肺外源性分类，如果这些表型不能与具体的、可干预的床旁治疗靶点绑定，它们就将永远停留在理论推测阶段。

确立影像作为“动态生理反馈环”的定位：

创新性地提出将影像学与AI驱动的“多组学（Multi-omics）”相结合，不仅用于静态的风险预测（预后富集），更用于指导主动的、因病而异的呼吸机与药物滴定（预测富集）。这为EIT、LUS和先进CT技术如何从“监测设备”走向“临床试验富集和个体化滴定工具”指明了跨时代的演进路径。