影像学检查在肺部感染性疾病的诊断、治疗监测及预后分析中发挥着重要作用。随着影像检查技术的进步以及人工智能与大数据的应用，肺部感染性疾病影像学研究经历了从基础诊断到精准治疗的全面发展。该文综述了肺部感染性疾病的影像学表现和近年的研究进展，并对未来研究方向进行展望。

影像学检查在肺部感染性疾病的诊断、治疗监测及预后分析中发挥重要作用。随着影像检查技术的进步，肺部感染性疾病的影像学研究经历了从基础诊断到精准治疗的全面发展。早期，X线检查为临床提供了肺部感染性病变的初步检测手段，CT技术的问世和普及使肺部感染性病变在精确定位和病情评估方面取得重大突破。近年来，人工智能与大数据应用加速了影像分析的自动化和精准化，使得肺部感染性疾病研究进入了全新的时代。

《中华放射学杂志》自1953年创刊以来，始终走在领域前沿，及时总结各种肺感染性疾病的影像特征，积极使用影像新技术、新方法识别复杂病变，致力于推动领域内研究深入开展。《中华放射学杂志》于1954年第1期即刊出肺蛭虫病 ^{［ 1 , 2 ］} 、肺吸虫病 ^［ 3 ］ 的X线诊断，1954年介绍了X线断层摄影枝气管肺段定位以及支气管造影在肺结核、肺化脓性疾病中的应用 ^{［ 4 , 5 ］} ，1957年报道肺霉菌病 ^［ 6 ］ 。1978年，我国引入第一台CT设备，同年，吴恩惠教授在《中华放射学杂志》刊登综述《电子计算机横断层扫描的临床应用》 ^［ 7 ］ ，简要介绍了CT在胸部疾患中的应用，随后，肺感染性疾病的CT研究广泛开展，能谱CT等新技术也被用于肺感染性疾病的鉴别 ^［ 8 ］ 。近年来，随着人工智能技术的大规模应用，人工智能辅助影像在肺部感染性疾病方面的研究也不断增加。70年来，杂志刊出肺部感染性疾病论著、述评、病例报道200余篇，全面介绍了细菌性、病毒性、真菌性、结核性等肺部感染疾病的X线及CT特征。在SARS、H1N1和新型冠状病毒感染等疫情期间，《中华放射学杂志》及时发布关键性影像学发现及专家共识，为临床医师提供了宝贵的诊断和治疗指导 ^{［ 9 , 10 , 11 , 12 ］} 。

值此《中华放射学杂志》创刊70周年之际，笔者回顾近年肺部感染性疾病的影像学研究，梳理肺部感染性疾病的影像学表现和最新研究进展，并对未来研究方向进行展望。

一、细菌性肺炎 

肺炎链球菌是我国成人细菌性社区获得性肺炎（community-acquired pneumonia，CAP）的重要致病原，其他常见的致病菌有流感嗜血杆菌、金黄色葡萄球菌、嗜肺军团菌等。对于高龄或存在慢性基础性疾病的特殊人群，肺炎克雷伯杆菌、大肠埃希菌及卡他莫拉菌感染则更为常见 ^{［ 13 , 14 ］} 。医院获得性肺炎（hospital acquired pneumonia，HAP），包括呼吸机相关性肺炎，多为条件致病菌感染，常见的病原体为鲍曼不动杆菌、铜绿假单胞菌、肺炎克雷伯杆菌、金黄色葡萄球菌及大肠埃希菌等 ^［ 15 ］ 。

肺炎链球菌肺炎（streptococcus pneumonia，SPP）是大叶性肺炎最常见的类型，典型影像表现为局限于肺叶或肺段的肺实变，伴有“空气支气管征”。肺炎克雷伯杆菌肺炎（klebsiella pneumoniae pneumonia，KPP）也可表现为肺叶实变，但多见于老年及HAP患者，社区获得性KPP往往发病迅速，病死率高。典型KPP患者可有砖红色胶冻样痰。影像学中KPP早期即可形成脓肿、坏死、空洞及胸腔积液，同时大量的炎性渗出、坏死及黏稠脓液积聚导致肺叶膨胀并引起叶间裂下坠 ^［ 16 ］ ，高毒力肺炎克雷伯杆菌还可以引起肝、眼、泌尿、中枢等多系统侵袭性感染，影像可以发现相应器官异常 ^［ 17 ］ 。嗜肺军团菌、卡他莫拉菌等致病菌感染也可表现为大叶性肺炎模式，但影像表现缺乏特异性 ^［ 18 ］ 。

毒力较弱的致病菌引发的SPP也可表现为小叶性肺炎，病理上表现为以细支气管为中心的肺组织炎症，可表现为支气管壁增厚、小叶中心结节及“树芽征”、磨玻璃密度影（ground glass opacity，GGO）、实变等，有时可见胸腔积液。金黄色葡萄球菌肺炎（staphylococcus aureus pneumonia，SAP）常呈肺叶及多发肺段分布，较为特征性的影像表现为沿支气管分布的肺气囊，血源性SAP病灶变化快，呈“游走性”表现。目前临床上对耐甲氧西林金黄色葡萄球菌（methicillin resistant staphylococcus aureus，MRSA）感染尤其重视。MRSA肺炎常见影像表现为实变和GGO，提示肺实质炎症和肺泡出血，有血管侵入性操作的患者多见结节伴有空洞形成。MRSA肺炎肺气囊出现率低，可能是MRSA毒力更强，肺气囊出现后很快感染形成有气-液平面的脓肿所致 ^［ 19 ］ 。临床症状凶险、进展迅速且实验室指标提示感染的患者，如病灶出现以双上、中肺外带分布为主，中、下肺内中带和双侧膈上病灶相对稀少的“披肩样”表现，则提示MRSA肺炎可能 ^［ 19 ］ 。

既往研究大多为细菌性肺炎影像表现的归纳总结，单纯从视觉上对肺炎患者进行病原学分类具有挑战性，并且依赖于放射诊断医师的经验和水平。使用人工智能技术可对肺炎患者进行快速的病原学分类及危险分层，协助临床制订个性化治疗方案，尽可能改善肺炎患者的预后。Han等 ^［ 20 ］ 利用卷积神经网络模型，在X线胸片上区分CAP和活动性肺结核，模型诊断准确度最高达94.5%，分类交叉熵为0.193。Wang等 ^［ 21 ］ 应用深度学习算法，实现了对细菌、病毒和真菌性肺炎的准确分类，并对模型的性能进行了前瞻性测试，对病毒性、真菌性和细菌性肺炎的诊断效能分别为0.816、0.715和0.934，分类准确度已达到放射科主治医师水平，可有效降低误诊风险。

二、支原体及衣原体肺炎

支原体及衣原体也是我国成人CAP的重要致病原，支原体肺炎（mycoplasma pneumonia，MPP）为一种间质性炎症，常呈肺段分布。MPP病理学特征主要有3种：支气管血管束周围单核细胞袖口状浸润、小气道支气管炎伴腔内渗出或肉芽组织、肺泡腔内渗出及中性粒细胞浸润，分别对应影像中的支气管血管束增厚、小叶中心结节、GGO或肺实变，其中最常见的征象为支气管血管束增厚 ^［ 22 ］ ，其他特征性的影像表现有“支气管糊墙征”“树芽征”“树雾征”等 ^［ 23 ］ 。衣原体肺炎较为少见，影像表现多样，其中鹦鹉热衣原体肺炎常表现为大叶性肺炎模式，可出现“空气支气管征”“细网格征”“晕征”及“反晕征（reversed-halo sign，RHS）”等，对于有明确禽类接触史，且影像表现典型的患者，应尽早行宏基因组测序检测确诊 ^［ 24 ］ 。

利用影像组学和人工智能技术可对MPP进行鉴别诊断，并对患者进行危险分层及预后分析。Meng等 ^［ 25 ］ 通过构建影像组学模型来识别MPP，模型的诊断效能为0.969，联合临床指标、CT影像特征及影像组学特征构建的联合模型预测效能更高。Huang等 ^［ 26 ］ 研究发现，表现为实变/肺不张的MPP患者具有更加严重的临床表现和实验室指标异常，发展成难治性MPP、坏死性肺炎和闭塞性细支气管炎的可能性更高。利用计算机肺部感染辅助诊断分析软件发现，难治性MPP患者的病变区域面积、病变体积百分比、病变质量等CT定量指标高于普通型MPP ^［ 27 ］ 。

三、病毒性肺炎 

我国CAP中，病毒性肺炎占27.5%~39.2%，流感病毒为最常见病原体 ^［ 28 ］ 。与细菌性肺炎不同，病毒性肺炎更多表现为肺间质炎症。影像上常表现为GGO、小叶中心结节及“树芽征”等，部分患者可出现肺实变 ^［ 29 ］ 。准确识别病毒性肺炎有助于减少抗生素使用。

新型冠状病毒（severe acute respiratory syndrome coronavirus 2，SARS-CoV-2）的大流行引起社会公众对病毒性肺炎的广泛关注，研究者们对SARS-CoV-2感染（COVID-19）的研究也呈暴发式增长。早期诊断对于COVID-19的治疗和控制至关重要。Ai等 ^［ 30 ］ 研究发现，以逆转录聚合酶链反应检测结果为参考，胸部CT诊断COVID-19的灵敏度、特异度和准确度分别为97%、25%和68%，胸部CT对COVID-19诊断具有较高的灵敏度。COVID-19肺炎常表现为外周分布的GGO、细网状密度和血管增粗，伴有“铺路石征”及“空气支气管征”，较少出现胸腔积液或淋巴结肿大 ^［ 31 ］ 。甲型H1N1流感病毒性肺炎病灶常分布于支气管血管束周围，支气管扩张和胸腔积液出现率也显著高于COVID-19肺炎 ^［ 32 ］ ；COVID-19肺炎患者肺实变、小叶中心结节、支气管壁向心性增厚出现率显著低于MMP患者 ^［ 33 ］ 。利用影像组学模型鉴别COVID-19肺炎和其他类型病毒性肺炎的诊断效能为0.866，准确度为78.2%，联合GGO、小叶内间质增厚和“晕征”构建的联合模型鉴别COVID-19肺炎和其他类型病毒性肺炎的诊断效能提高至0.943，准确度为87.3%，联合影像特征对影像组学模型的诊断效能具有正向改善能力 ^［ 34 ］ 。应用人工智能算法可以将COVID-19肺炎与其他常见类型肺炎和正常对照组区分开，分类的总体准确度为92.49%，分类效能为0.981 ^［ 35 ］ 。

值得注意的是，影像学检查不是COVID-19的确诊方法，其价值在于病变检出、性质判断、量化分级以及疗效评价，以利于临床的诊断、分型、治疗和分流 ^［ 12 ］ 。对肺实变累及的区域进行严重性评分后发现，重症COVID-19肺炎患者具有更高的单肺评分和总评分，利用肺炎严重性评分诊断重症COVID-19肺炎患者的诊断效能为0.892，特异度为94% ^［ 36 ］ 。低剂量双相CT中存在“空气潴留征”的COVID-19患者出现血气指标异常以及发展为重症的可能性更大，用于区分患者血气指标是否异常以及是否发展为重症的诊断效能分别为0.754、0.898，联合病灶范围半定量评分可以显著提高诊断效能 ^［ 37 ］ 。此外，利用人工智能技术对患者胸部CT的肺炎病灶进行动态变化监测发现，COVID-19肺炎病灶在CT上呈类抛物线样变化，普通型、重型及危重型病灶的峰值体积比、病灶体积比最大增长率、病灶峰值时间等定量参数差异均存在统计学意义，病灶体积比快速增长的患者更容易转变为重型或危重型 ^［ 38 ］ 。人工智能模型还可以预测患者发生病毒性肺炎的风险和肺炎的严重程度。对多种人工智能算法的研究表明，在预测发生病毒性肺炎风险方面，支持向量机模型的预测效能较好，在预测病毒性肺炎严重程度方面，随机森林模型的总体分类准确度最高 ^［ 39 ］ 。此外，心外膜脂肪组织（epicardial adipose tissue，EAT）是胸部炎症性疾病炎症细胞因子的主要来源。研究发现，存在严重COVID-19危险因素的患者具有更高的EAT面积，EAT面积是COVID-19患者危险分层的潜在预测因子 ^［ 40 ］ ，为COVID-19患者危险分层评估开辟了新的途径。

影像学检查是监测COVID-19患者并发症以及动态观察长期COVID综合征的重要手段。与其他类型病毒相比，SARS-CoV-2可造成突出的血管内皮损伤、不同水平的血管异常及肺实质损伤 ^［ 41 ］ ，引起肺栓塞、气胸、纵隔气肿等多种并发症，影响患者的预后。此外，许多COVID-19患者在急性感染恢复后持续存在长期COVID综合征。目前影像学研究发现，急性COVID-19后，大多数患者的肺部病灶逐渐消散，但可能仍残留线状、多灶性网状或囊性病变 ^［ 42 ］ 。一项纳入21项研究的Meta分析对COVID-19后残留肺异常的患病率和类型进行系统评价分析后发现，各研究报道的COVID-19肺部后遗症的患病率具有高度异质性 ^［ 43 ］ 。

四、肺结核 

世界卫生组织仍然建议对患者进行胸部X线摄影来筛查肺结核，但利用X线胸片来诊断肺结核及确定结核的活动性比较困难。Lee等 ^［ 44 ］ 通过深度学习模型在胸片中诊断活动性肺结核，模型诊断效能与放射科医师相仿，生成的定量指标还能够进行抗结核治疗疗效跟踪。肺结核的耐药性也是困扰临床的一大问题，Li等 ^［ 45 ］ 通过影像组学等方法对空洞性肺结核的多药耐药性进行预测，其中影像组学模型的预测效能为0.829，显著高于临床模型。Kim等 ^［ 46 ］ 利用人工智能对确诊的利福平敏感肺结核患者的X线胸片进行影像学评分，发现该评分与患者治疗成功率和8周时痰培养转化率显著相关，是肺结核治疗成功和痰培养转化的重要预测指标。

近年，非典型表现的结核发病率不断增加，表现形式包括发病部位与分布不典型、病灶形态表现不典型等 ^［ 47 ］ 。从影像上诊断这些不典型肺结核具有挑战性，利用人工智能算法可协助诊断，降低误诊率。Yan等 ^［ 48 ］ 利用人工智能算法识别CT影像中肺结核相关的危重表现，定量评估疾病负担，诊断肺结核的总体准确度为81.08%~91.05%，可用于肺结核患者的早期诊断。肺结核还需要与其他类型疾病进行影像学鉴别。Yan等 ^［ 49 ］ 使用影像组学方法分析患者CT图像中的空腔特征来区分非结核分枝杆菌肺病和肺结核，构建的各组学模型的诊断效能均大于0.84，高于放射诊断医师。联合T-SPOT检查和深度学习算法的诊断系统可以大大提高非结核分枝杆菌肺病和肺结核分类精度 ^［ 50 ］ 。结合临床和影像组学特征的列线图模型在鉴别诊断孤立性结节性肺结核和肺腺癌方面具有良好的效果，诊断效能为0.914，诊断准确度为80%，灵敏度为93.7% ^［ 51 ］ 。

此外，RHS、“星系征（galaxy sign，GS）”等肺结核的少见征象也是肺结核影像研究的重点。RHS曾被认为是隐源性机化性肺炎的特异性表现，后来研究发现RHS也可出现于肺结核、病毒性肺炎、真菌性肺炎中。病理学中，肺结核RHS外环为密集的朗格汉斯结节，中央区为稀疏伴纤维组织增生和肺泡壁增厚，分别对应影像中以“树芽征”为主的RHS外环和细网格影为主的中央部分，在有效抗结核治疗后RHS整体密度减低、病灶缩小，最终多以细网格影长期存在 ^［ 52 ］ 。RHS在肺结核中少见，目前缺乏肺结核RHS的大样本量研究，其检出率及鉴别诊断价值有待检验，但有研究认为，结节状RHS提示活动性肺结核，代表着病灶沿支气管播散 ^［ 53 ］ 。GS由多个簇状分布的小结节合并形成较大的结节，其周围伴有较多的小的卫星结节，可见于活动性肺结核以及结节病 ^［ 54 ］ 。

五、肺真菌病 

我国肺部真菌性感染患病人数呈上升趋势，从2013年的每千人9.5人上升到2019年的每千人88.3人，其中曲霉菌是最常见的致病菌，其次为隐球菌，值得注意的是以前不常见的病原体感染也逐渐增加 ^［ 55 ］ 。

侵袭性肺曲霉病（invasive pulmonary aspergillosis，IPA）分为血管IPA和气道IPA。两种类型IPA的发生与患者的免疫状态相关，免疫功能正常的IPA患者更多表现为气道IPA的特征 ^［ 56 ］ 。慢性肺曲霉病主要影响有肺部基础疾病和无或轻度免疫抑制的患者，曲菌球及“空气半月征”是其特征性的表现 ^［ 57 ］ 。机体对曲霉菌产生过敏性反应，引起支气管上皮细胞损伤、气道黏液嵌塞、支气管扩张以及气道重塑是变应性支气管肺曲霉病（allergic bronchopulmonary aspergillosis，ABPA）的病理基础，故ABPA多表现为支气管的改变及GGO、实变 ^［ 58 ］ ，黏液嵌塞在扭曲的支气管中表现为“牙膏征”，支气管远端闭塞近端扩张并充满黏液表现为“指套征”，外周细支气管黏液嵌塞可导致“树芽征” ^［ 59 ］ 。肺隐球菌病（pulmonary cryptococcosis，PC）影像表现多样，可以表现为单发或多发结节模式，也可以表现为肺小叶、亚段或段实变 ^［ 60 ］ 。研究发现胸膜下的单发结节是免疫功能正常患者最常见的PC类型，而免疫功能低下PC患者中实变则更为常见 ^［ 61 ］ 。

早期诊断肺真菌性感染并进行干预是肺真菌病诊治的重点。Wang等 ^［ 62 ］ 基于深度学习算法构建了IPA早期诊断模型，其诊断效能达0.95，诊断准确度为89.7%，灵敏度为0.88，特异度为0.91。Hu等 ^［ 63 ］ 应用影像组学方法鉴别结节性PC与肺腺癌，发现病灶周围5 mm扩展区域特征的鉴别诊断效能为0.757，联合临床、影像特征及影像组学特征的联合模型诊断效能为0.801。人工智能技术为临床早期诊断肺真菌感染提供了有效支撑。

六、展望 

国内外研究者们通过肺部感染性疾病的影像表现结合人工智能算法，实现了对疾病的快速、精准识别和分类，显著提高了诊断效率和准确度。但目前的人工智能算法存在模型依赖单中心数据、缺乏充分的外部及前瞻性验证、疾病影像表征多样性、“金标准”诊断不确定性和样本不平衡等问题，在复杂、开放的真实临床场景中效度不佳。影像组学及人工智能算法的“黑盒效应”也造成了模型的预测特征难以解释的临床困境。因此，影像表现特异度低、人工智能算法的鲁棒性与泛化性问题是困扰当前肺部感染性疾病影像学研究的主要问题。

未来，借助超高分辨率CT如光子计数CT，从微观层面对病灶的影像表现深入分析研究，可实现影像-病理的结合。其次，随着影像组学和人工智能模型的研究不断深入，其鲁棒性和泛化性将大大增强。此外，大数据和云计算技术的应用将促进影像数据的共享，形成统一的胸部影像数据采集标准，建成胸部疾病影像大数据共享平台，增强跨机构、跨区域的科研合作，助力肺部感染性疾病影像领域高质量发展。

文章来源：中华放射学杂志, 2024, 58(11): 1222-122