PulmAI肺血管狭窄早期诊断与功能评估系统
进入系统
国家自然科学基金重点项目 · 多中心队列研究

基于AI与多组学数据整合的
肺血管狭窄早期诊断系统

突破现有影像学单一维度诊断的局限,实现"结构—功能—分子" 多层次整合分析,构建覆盖CTEPH、纤维性纵隔炎、大动脉炎等六类病因的统一早期诊断体系。

进入系统 影像AI分析
147
已入组患者
3
合作中心
6
病因类型覆盖
94.1%
AI诊断准确率
4–5年
目标压缩诊断延迟

五大研究目标

"结构—功能—分子"多层次整合,从单一影像诊断向多模态系统评估跨越

01

建立多模态数据库

整合胸部CT、CTPA、超声等影像数据与代谢组学、蛋白组学多组学数据,形成多中心、多维度综合数据库

02

开发AI影像分析算法

基于CNN与GNN模型实现肺血管树自动分割、狭窄检测和定量化分析,突破传统影像学早期识别局限

03

多组学数据整合分析

挖掘异常代谢通路、鉴定肺血管狭窄相关蛋白标志物,构建「影像—代谢—蛋白」联合诊断特征集

04

建立系统功能学评价

应用CFD模拟血流分布与压力梯度,建立全肺血管网络功能评价指标,实现系统功能学诊断

05

AI辅助诊断分型系统

开发多模态AI诊断分型模型,引入可解释性AI(XAI),在多中心开展临床验证

系统功能模块

六个核心研究模块,覆盖从数据采集到临床验证的完整链路

项目总览
研究进度与数据概况
多模态数据库
影像·组学·临床数据
影像AI分析
分割·检测·量化
多组学分析
代谢组·蛋白组·标志物
诊断模型
多模态融合·分型·XAI
队列管理
患者入组与随访

核心技术创新点

先识别狭窄,再溯源病因
通过共性影像特征统一识别策略,再结合多组学数据进行病因分型,构建普适性诊断路径
从单点到网络的功能评估
应用CFD模拟全肺血管网络血流,建立代偿能力评分和血流分布均衡指数等新型功能指标
可解释性AI(XAI)设计
引入Grad-CAM、SHAP等解释性方法,确保AI判别依据清晰透明,满足临床可推广性要求
多模态特征深度融合
CNN提取影像特征,自监督学习融合多组学标志物,构建端到端多模态诊断分型模型
"结构—功能—分子"三层整合框架
结构层
CTPA / CT 影像肺血管树三维重建狭窄自动检测与量化
功能层
CFD 血流动力学模拟全肺网络压力梯度代偿能力评分
分子层
代谢组学标志物蛋白组学标志物网络生物学通路
多模态融合输出
AI 诊断分型报告 + XAI 解释