近年来，支气管哮喘（简称哮喘）的发病率逐年增高，造成巨大疾病负担^［1］。气道黏液栓是哮喘的重要临床特征之一，既往研究表明，气道黏液栓形成与气道阻塞、气流受限和小气道通气功能障碍等密切相关^{［2, 3］}，气道黏液栓的准确识别和评估，对哮喘患者的诊断、治疗和预后有重要意义。

CT技术以检查方便、安全、无创性等特点，成为评估气道黏液栓的首选工具。目前胸部CT阅片依赖于医生丰富的临床经验和专业知识，大量影像学阅片耗时耗力，且不同医生之间阅片存在主观性。应用人工智能（artificial intelligence，AI）辅助阅片不仅能提高阅片效率，且避免因人力疲惫和主观性产生的误差。同时，在慢性非致死性哮喘患者中，黏液栓多分布于小气道，肉眼往往无法准确辨别，借助AI辅助阅片，可增加小气道黏液栓识别的准确率。

黏液栓形成是哮喘的典型病理生理变化之一，与平滑肌痉挛同为哮喘患者通气缺陷的主要原因，其形成机制尚未被充分研究。既往大量研究集中在气道黏液高分泌的发生机制上，其主要与黏蛋白异常高表达及气道上皮杯状细胞化生有关。近期研究发现，黏蛋白5AC（Mucin 5AC，MUC5AC）主导的黏蛋白交联水平异常增高导致黏液弹性增加，是黏液栓形成的重要环节^［4］。

气道黏液栓是哮喘的重要影像学特征之一^［5］，作为哮喘一个稳定的表型，可在哮喘患者的气道中长期存在^［6］。研究表明，高气道黏液栓评分和支气管扩张评分、肺功能以及嗜酸性粒细胞水平等T2类炎症表现相关^［5］，是哮喘患者通气缺陷^［2］和小气道功能障碍^［7］的重要原因。同时，最近一项哮喘患者单抗疗效评估研究发现，通气功能缺陷百分比（ventilation defect percentage，VDP）和黏液栓评分是评估哮喘改善情况的重要指标^［8］。

因此，对有相关临床表现的哮喘患者而言，及时识别、诊断和评估可能存在的黏液栓以及必要时针对性的治疗是十分有意义的。

过去，黏液栓的确诊依赖于病理学检查，慢性黏液高分泌（chronic mucus hypersecretion，CMH）的临床表现是常用的无创识别方法，来代替病理学检查^［9］，其定义为慢性咳嗽咳痰，症状至少连续2年，每年至少3个月。然而，近年有研究表明，黏液栓的发生与CMH并无必然联系，黏液分泌对于预测黏液栓的形成敏感度和特异度均有限^［4］；而且，发生于小支气管黏液栓的患者常不伴有CMH症状^［10］；另一项研究也发现在患有慢性阻塞性肺疾病（chronic obstructive pulmonary diseases，COPD）的吸烟者中，“无症状黏液栓”非常普遍^［11］。因此，CMH症状可能不具备预测及判断哮喘患者的黏液栓形成的价值。目前在科学研究和临床诊治过程中，CT是识别气道黏液栓的最优选择^［12］。

MDCT是对哮喘患者气道黏液栓塞进行定量评估的首选工具，其具有无创、可重复等优势。最近研究观察哮喘患者胸部CT中，气道黏液栓比例显著高于正常受试者^［4］，也证实了这一结论。

MDCT识别的支气管黏液栓主要具有以下特征：（1）气道管腔内的稍高密度混浊区域，呈局灶性或分支性，CT值低于相邻的血管和可能存在的增厚的支气管壁；（2）主要见于亚段气道，在连续切片中与通畅的气道腔毗连；（3）混浊物对管腔的阻塞可能是部分或完全的，通常不伴随支气管扩张^［4，13］。基于这些发现，Dunican等^［4］开发了一种使用MDCT技术评估哮喘患者气道黏液累积的可重复的黏液评分系统，正式量化 MDCT 扫描中的黏液栓。以支气管被完全堵塞来定义黏液栓，而不论支气管的级数和大小。平行于扫描平面时，黏液栓显示为分支或无分支的管状高密度影；垂直或斜切于扫描平面时，它们显示为圆形或椭圆形高密度影，在连续切片上可见，并可以通过它们与通畅管腔相连、与更高密度的血管相邻的位置关系区分血管。对20个肺段进行系统性的量化，根据有无黏液栓评为1或0分，相加得双肺总黏液评分（0~20）。由于距膈胸膜和肋胸膜 2 cm以内的外周气道口径太小，难以确定黏液栓存在，故不予评估。该评分系统具有良好的观察者间一致性。

Dunican等^［4］应用该评分系统发现，高黏液评分的哮喘患者具有更严重的通气缺陷和更高的嗜酸性气道炎症指数。这同样证明了气道黏液评分的实用性，这种无创的方法或可应用于未来的临床和研究中。然而，该研究检测到黏液栓均匀地分布于所有的5个肺叶中^［4］。有病例报告显示，黏液栓更多发生于右肺上叶支气管，Zha等^［14］发现哮喘患者的通气缺陷好发于右上叶和中叶。上叶通气量小，支气管口径细，且右上叶支气管与右主支气管呈近90°，这可能导致排痰动力小、阻力大，使黏液易于成栓积聚^［15］。似乎更多的证据支持黏液栓在肺叶中的分布是不均匀的。这提示黏液栓的MDCT影像识别方法以及黏液评分系统有待进一步验证和完善，以便更加全面、准确地研究气道黏液栓。

基于上述优势，CT技术在对哮喘患者气道黏液栓的评估方面有着不可替代的地位。目前对CT影像的解读依赖于医生人工阅片。然而，哮喘气道黏液栓的影像识别面临多重考验：肉眼识别一般最多可及第7~8级小支气管，而哮喘中的黏液栓具有分布于小气道的特性^［4］，肉眼常常难以识别；此外，黏液栓本身及邻近的支气管的CT表现存在上文所述的异质性，也对人工识别黏液栓增加了难度^［16］。人工阅片还存在主观性较强、过于依赖阅片医生的经验、效率较低等问题，因而难以在面对大量的CT影像时保证其准确性。比起人工识别，建立哮喘患者气道黏液栓的自动识别模型，利用自动识别算法对病灶进行定性和定位，既能以更高的效率缓解人工阅片压力，又有机会进一步提升阅片的准确率。

Odry等^［17］首次尝试使用计算机CT自动评分系统，对非典型分枝杆菌感染伴有支气管扩张症的患者所有大气道的异常进行全局评估，并将其结果与两位经验丰富的胸部放射科医生的手动评分结果比较，证实计算机辅助阅片和人工阅片良好的一致性。手动评分使用 Sheehan 等^［18］推荐的评分系统，而自动评分方法是Sheehan等^［18］方法的改进版本。评分项目如包括每个肺叶支气管扩张存在范围及严重程度-支气管管腔和动脉比（bronchial lumen-to-artery ratios，BLA）、气道壁增厚严重程度-支气管壁和动脉比（bronchial wall-to-artery ratios，BWA）、黏液栓是否存在以及整体评分；初步统计比较结果显示，支气管扩张范围（r=0.69，P<0.001）、严重程度（r=0.61，P=0.01）、整体评分（r=0.609，P=0.01）的自动和手动评分之间均存在相关性，而黏液栓特征也显示了与自动及手动评分正相关，但未达统计学意义（r=0.42，P=0.07）。这提示AI自动化识别气道黏液栓的可能性。

深度学习目前已广泛应用于计算机视觉领域，卷积神经网络（convolutional neural networks，CNN）作为目前图像分割、分类、识别的最优策略，已成功应用于许多呼吸系统疾病的医学影像分析中，其中包括对囊性纤维化、支气管扩张及COPD中气道黏液栓的识别。同时体现了AI辅助阅片和人工阅片对胸部CT中气道黏液栓识别的良好一致性。Ram 等^［19］利用密集连接卷积神经网络（DenseNets，DN）对囊性纤维化患者CT扫描中的空气滞留（AT）进行自动检测和量化，测得的AT值（QAT）与放射科医生的视觉评估、肺功能临床评分、黏液栓和支气管扩张的影像学评分具有较好的一致性。Aliboni等^［20］采用CNN法，胸部CT中的支气管扩张进行分类（准确率=0.81，F1分数均值=0.82）；Salsabili等^［21］基于U-Net架构的CNN对小鼠肺组织的生物结构（血管和支气管等）进行平均线性截获（mean linear intercept，MLI）评分，和人工评分有良好一致性；Luo等^［22］用随机融合算法构建了COPD患者的胸部CT神经网络模型，对COPD患者气道的定量参数进行了比较和分析，结果表明基于融合的随机CNN模型可以提高COPD的识别率。Chaot和Xu^［23］提出了一种基于CNN和径向基函数神经网络（Radial basis function network，RBFNN）混合的新方法来合成投影图像，并应用了大脑的血管投影、肺实质的支气管投影和肝脏的血管投影数据集进行训练，同时采用了放射学家评估的五种经典的图像定义指标，以进行有效分析。证明了利用神经网络进行肺部支气管识别等的有效性和通用性。

迄今为止，尚无影像学研究系统地检查哮喘患者的气道黏液栓，缺乏哮喘和黏液栓的系统性研究，尤其在AI辅助黏液栓识别上的研究更少。但前文已论述机器学习及神经网络等在其他呼吸道疾病的气道病变识别中的应用，相关研究也证实了AI辅助阅片和人工阅片在气道黏液栓和其他病变识别上的良好一致性，同样作为慢性气道炎症性疾病，AI辅助图像识别技术在哮喘患者气道黏液栓的识别上是具有可行性的；由于黏液栓在哮喘的治疗、预后中的重要意义，发展AI辅助哮喘气道黏液栓识别技术是十分必要的。近期，关于AI应用于哮喘的研究已经开展，Awal等^［24］提出基于贝叶斯优化的哮喘机器学习框架（Bayesian optimisation-based machine learning framework for asthma，BOMLA）检测器来检测哮喘，该研究中建立的决策支持系统，可视化患者临床及影像学相关结果，以提高哮喘的早期诊断率。

哮喘患者的黏液栓多存在于小气道，形态多不规则，故而，在AI辅助黏液栓识别方面，存在技术难度，后续或可选择不规则小目标检测算法来自动识别黏液栓，从而达到对黏液栓的量化，为哮喘疾病严重程度等准确分级和治疗提供新思路。

黏液栓在哮喘的病程发展与急性发作中有重要的病理生理学意义，该领域的研究具有较为充分的理论支持。作为临床诊疗的新兴辅助工具，深度学习在其他呼吸系统疾病黏液栓评估中展现出非凡的潜力。目前，利用计算机算法实现对哮喘患者气道黏液栓的识别尚待进一步研究。将AI引入哮喘黏液栓的影像学诊断，对黏液栓实现精准识别和评分，具有广阔的探索空间与应用前景。