[論文レビュー] Deep Learning-Based Airway Segmentation in Systemic Lupus Erythematosus Patients with Interstitial Lung Disease (SLE-ILD): A Comparative High-Resolution CT Analysis

Sirong Piao, Ying Ming+12 more|arXiv (Cornell University)|Mar 18, 2026

Systemic Lupus Erythematosus Research被引用数 0

ひとこと要約

この研究は非造影HRCT上で深層学習（U-Net）ベースの気道自動セグメンテーション枠組みを用い、ILDを伴うSLEとILDを伴わないSLEの気道容積を比較し、SLE-ILDにおける区域特異的な気道拡張を明らかにした。上葉および特定の区分気道の有意な拡大をSLE-ILD対非ILDで認めた。

ABSTRACT

To characterize lobar and segmental airway volume differences between systemic lupus erythematosus (SLE) patients with interstitial lung disease (ILD) and those without ILD (non-ILD) using a deep learning-based approach on non-contrast chest high-resolution CT (HRCT). Methods: A retrospective analysis was conducted on 106 SLE patients (27 SLE-ILD, 79 SLE-non-ILD) who underwent HRCT. A customized deep learning framework based on the U-Net architecture was developed to automatically segment airway structures at the lobar and segmental levels via HRCT. Volumetric measurements of lung lobes and segments derived from the segmentations were statistically compared between the two groups using two-sample t-tests (significance threshold: p < 0.05). Results: At lobar level, significant airway volume enlargement in SLE-ILD patients was observed in the right upper lobe (p=0.009) and left upper lobe (p=0.039) compared to SLE-non-ILD. At the segmental level, significant differences were found in segments including R1 (p=0.016), R3 (p<0.001), and L3 (p=0.038), with the most marked changes in the upper lung zones, while lower zones showed non-significant trends. Conclusion: Our study demonstrates that an automated deep learning-based approach can effectively quantify airway volumes on HRCT scans and reveal significant, region-specific airway dilation in patients with SLE-ILD compared to those without ILD. The pattern of involvement, predominantly affecting the upper lobes and specific segments, highlights a distinct topographic phenotype of SLE-ILD and implicates airway structural alterations as a potential biomarker for disease presence. This AI-powered quantitative imaging biomarker holds promise for enhancing the early detection and monitoring of ILD in the SLE population, ultimately contributing to more personalized patient management.

研究の動機と目的

• 自動化されたHRCTベースのセグメンテーションを用いて、SLE-ILDとSLE-non-ILDの葉区および区分気道容積の差を特徴づける。
• 葉区および区分レベルで気道構造を自動的にセグメンテーションするU-Netベースの枠組みを開発する。
• セグメンテーションからの容量測定を定量化し、統計検定を用いて患者群間で比較する。

提案手法

• 非造影HRCTを用いた106例のSLE患者の後向き解析（27例SLE-ILD、79例SLE-non-ILD）。
• U-Netを基盤とするカスタマイズ深層学習枠組みにより、葉区および区分レベルの気道構造を自動的にセグメント。
• セグメンテーションから容量測定値を導出し、2標本t検定（p<0.05）により群間比較を実施。
• 地域差、特に上葉と特定の区分に統計的焦点を置く。

実験結果

リサーチクエスチョン

• RQ1 HRCT上でSLE-ILD患者はSLE-non-ILD患者と比較して葉区の気道容積が異なるか？
• RQ2 SLE-ILDと非ILDを区別する区分レベルの気道差は存在するか、どこで最も顕著か？
• RQ3 DLベースの気道セグメンテーション手法はSLEにおけるILDの存在の潜在的バイオマーカーとして地域的気道拡張を信頼性高く定量化できるか？

主な発見

• SLE-ILDにおける右上葉の気道拡大が有意（p=0.009）、左上葉でも有意（p=0.039）、SLE-non-ILDと比較。
• R1（p=0.016）、R3（p<0.001）、L3（p=0.038）における区分間差が有意で、上肺区域で最も顕著な変化。
• 下肺区域では群間の気道差に有意でない傾向。
• 自動DLベースの気道セグメンテーションはHRCT上の気道容積を効果的に定量化し、区域特異的変化を検出。
• 結果はSLE-ILDの明確なトポグラフィック表現型と、疾患存在の潜在的気道ベースバイオマーカーの可能性を示唆。