[논문 리뷰] 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 Ming외 12명|arXiv (Cornell University)|2026. 03. 18.

Systemic Lupus Erythematosus Research인용 수 0

한 줄 요약

이 연구는 non-contrast HRCT에서 U-Net 기반의 자동 기도분절 프레임워크를 개발하여 SLE 환자에서 ILD 여부에 따른 기도 용적을 비교하고, SLE-ILD에서 지역 특이적 기도 확장을 나타냅니다. 상부엽 및 특정 분절 기도 확장이 SLE-ILD 대비 비ILD에서 유의하게 나타났습니다.

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.

연구 동기 및 목표

• 자동화된 HRCT 기반 분할을 사용하여 SLE-ILD와 SLE-non-ILD 간의 엽별 및 분절 수준의 기도 용적 차이를 특성화한다.
• 엽별 및 분절 수준에서 기도 구조를 자동으로 분절하기 위한 U-Net 기반 프레임워크를 개발한다.
• 통계적 검정을 사용하여 용적화된 폐 기도 측정치를 정량화하고 환자 군 간에 비교한다.

제안 방법

• 106명의 SLE 환자(27 SLE-ILD, 79 SLE-non-ILD)이며 비대조 HRCT의 후향적 분석.
• U-Net에 기반한 맞춤형 딥러닝 프레임워크가 엽별 및 분절 수준에서 기도 구조를 자동으로 분절한다.
• 분절에서 용적 측정치를 도출하고 두 집단 간 차이를 두 샘플 t-검정을 통해 비교(p<0.05).
• 지역 차이에 통계적으로 주목하며 특히 상엽 및 특정 분절에 초점을 맞춘다.

실험 결과

연구 질문

• RQ1 SLE-ILD 환자가 HRCT에서 SLE-non-ILD 환자에 비해 엽별 기도 용적이 다르게 나타나는가?
• RQ2 SLE-ILD와 비ILD를 구분하는 분절 수준의 기도 차이가 있는가, 그리고 어디에서 가장 두드러지는가?
• RQ3 DL 기반 기도 분절 방법이 SLE에서 ILD 존재의 잠재적 바이오마커로 지역적 기도 확장을 신뢰성 있게 정량화할 수 있는가?

주요 결과

• SLE-ILD에서 오른쪽 상엽(right upper lobe) 및 왼쪽 상엽(left upper lobe)에서 SLE-non-ILD 대비 엽별 기도 확장이 유의했다(p=0.009, p=0.039).
• R1(p=0.016), R3(p<0.001), 및 L3(p=0.038)에서 분절 차이가 유의하며, 상부 흉부 구역에서 가장 뚜렷한 변화가 나타났다.
• 하부 흉부 구역에서는 그룹 간 기도 차이에 대한 비유의적 경향이 관찰되었다.
• 자동화된 DL 기반 기도 분절은 HRCT에서 기도 용적을 효과적으로 정량화하고 영역 특이적 변화를 탐지한다.
• 결과는 SLE-ILD의 뚜렷한 지형적 표현형과 질병 존재를 위한 기도 기반 바이오마커 가능성을 시사한다.