Quadriceps weakness is an important complication of advanced chronic obstructive pulmonary disease (COPD) but few data exist concerning muscle bulk in early disease. We hypothesised that quadriceps bulk, measured by ultrasound rectus femoris cross-sectional area (USRF CSA ), would be reduced in mild, as well as advanced, COPD compared with controls, and would correlate with physical activity. 161 patients with stable COPD and 40 healthy subjects had a measurement of USRF CSA and wore a multisensor armband to record physical activity. USRF CSA was reduced in Global Initiative for Chronic Obstructive Lung Disease (GOLD) stage I patients compared with healthy subjects (p=0.0002). Stage II–IV patients had reduced USRF CSA (p<0.0001) compared with controls but were not significantly different from those with stage I disease. Physical activity level was reduced in stage I (p=0.002) and stage II–IV disease compared with controls. Using regression analysis, physical activity level was independently associated with USRF CSA in stage I (p=0.01) but not stage II–IV disease, where residual volume to total lung capacity ratio was the only independent predictor of physical activity level. Quadriceps wasting exists in patients with mild, as well as advanced, COPD, and is independently associated with physical inactivity in GOLD stage I disease. The identification of these patients may guide early lifestyle and therapeutic interventions.

Computer-based computed tomography (CT) analysis can provide objective quantitation of disease in idiopathic pulmonary fibrosis (IPF). A computer algorithm, CALIPER, was compared with conventional CT and pulmonary function measures of disease severity for mortality prediction.CT and pulmonary function variables (forced expiratory volume in 1 s, forced vital capacity, diffusion capacity of the lung for carbon monoxide, transfer coefficient of the lung for carbon monoxide and composite physiologic index (CPI)) of 283 consecutive patients with a multidisciplinary diagnosis of IPF were evaluated against mortality. Visual and CALIPER CT features included total extent of interstitial lung disease, honeycombing, reticular pattern, ground glass opacities and emphysema. In addition, CALIPER scored pulmonary vessel volume (PVV) while traction bronchiectasis and consolidation were only scored visually. A combination of mortality predictors was compared with the Gender, Age, Physiology model.On univariate analyses, all visual and CALIPER-derived interstitial features and functional indices were predictive of mortality to a 0.01 level of significance. On multivariate analysis, visual CT parameters were discarded. Independent predictors of mortality were CPI (hazard ratio (95% CI) 1.05 (1.02-1.07), p<0.001) and two CALIPER parameters: PVV (1.23 (1.08-1.40), p=0.001) and honeycombing (1.18 (1.06-1.32), p=0.002). A three-group staging system derived from this model was powerfully predictive of mortality (2.23 (1.85-2.69), p<0.0001).CALIPER-derived parameters, in particular PVV, are more accurate prognostically than traditional visual CT scores. Quantitative tools such as CALIPER have the potential to improve staging systems in IPF.

We used data from the INBUILD and INPULSIS trials to investigate the natural history of progressive fibrosing interstitial lung diseases (ILDs). Subjects in the two INPULSIS trials had a clinical diagnosis of idiopathic pulmonary fibrosis (IPF) while subjects in the INBUILD trial had a progressive fibrosing ILD other than IPF and met protocol-defined criteria for ILD progression despite management. Using data from the placebo groups, we compared the rate of decline in forced vital capacity (FVC) (mL·year −1 ) and mortality over 52 weeks in the INBUILD trial with pooled data from the INPULSIS trials. The adjusted mean annual rate of decline in FVC in the INBUILD trial (n=331) was similar to that observed in the INPULSIS trials (n=423) (−192.9 mL·year −1 and −221.0 mL·year −1 , respectively; nominal p-value=0.19). The proportion of subjects who had a relative decline in FVC >10% predicted at Week 52 was 48.9% in the INBUILD trial and 48.7% in the INPULSIS trials, and the proportion who died over 52 weeks was 5.1% in the INBUILD trial and 7.8% in the INPULSIS trials. A relative decline in FVC >10% predicted was associated with an increased risk of death in the INBUILD trial (hazard ratio 3.64) and the INPULSIS trials (hazard ratio 3.95). These findings indicate that patients with fibrosing ILDs other than IPF, who are progressing despite management, have a subsequent clinical course similar to patients with untreated IPF, with a high risk of further ILD progression and early mortality.

Abstract Objectives To establish a framework by which experts define disease subsets in systemic sclerosis associated interstitial lung disease (SSc-ILD). Methods A conceptual framework for subclinical, clinical and progressive ILD was provided to 83 experts, asking them to use the framework and classify actual SSc-ILD patients. Each patient profile was designed to be classified by at least four experts in terms of severity and risk of progression at baseline; progression was based on 1-year follow-up data. A consensus was reached if ≥75% of experts agreed. Experts provided information on which items were important in determining classification. Results Forty-four experts (53%) completed the survey. Consensus was achieved on the dimensions of severity (75%, 60 of 80 profiles), risk of progression (71%, 57 of 80 profiles) and progressive ILD (60%, 24 of 40 profiles). For profiles achieving consensus, most were classified as clinical ILD (92%), low risk (54%) and stable (71%). Severity and disease progression overlapped in terms of framework items that were most influential in classifying patients (forced vital capacity, extent of lung involvement on high resolution chest CT [HRCT]); risk of progression was influenced primarily by disease duration. Conclusions Using our proposed conceptual framework, international experts were able to achieve a consensus on classifying SSc-ILD patients along the dimensions of disease severity, risk of progression and progression over time. Experts rely on similar items when classifying disease severity and progression: a combination of spirometry and gas exchange and quantitative HRCT.

In the realm of pulmonary tracheal segmentation, the scarcity of annotated data stands as a prevalent pain point in most medical segmentation endeavors. Concurrently, most Deep Learning (DL) methodologies employed in this domain invariably grapple with other dual challenges: the inherent opacity of 'black box' models and the ongoing pursuit of performance enhancement. In response to these intertwined challenges, the core concept of our Human-Computer Interaction (HCI) based learning models (RS_UNet, LC_UNet, UUNet and WD_UNet) hinge on the versatile combination of diverse query strategies and an array of deep learning models. We train four HCI models based on the initial training dataset and sequentially repeat the following steps 1-4: (1) Query Strategy: Our proposed HCI models selects those samples which contribute the most additional representative information when labeled in each iteration of the query strategy (showing the names and sequence numbers of the samples to be annotated). Additionally, in this phase, the model selects the unlabeled samples with the greatest predictive disparity by calculating the Wasserstein Distance, Least Confidence, Entropy Sampling, and Random Sampling. (2) Central line correction: The selected samples in previous stage are then used for domain expert correction of the system-generated tracheal central lines in each training round. (3) Update training dataset: When domain experts are involved in each epoch of the DL model's training iterations, they update the training dataset with greater precision after each epoch, thereby enhancing the trustworthiness of the 'black box' DL model and improving the performance of models. (4) Model training: Proposed HCI model is trained using the updated training dataset and an enhanced version of existing UNet. Experimental results validate the effectiveness of this Human-Computer Interaction-based approaches, demonstrating that our proposed WD-UNet, LC-UNet, UUNet, RS-UNet achieve comparable or even superior performance than the state-of-the-art DL models, such as WD-UNet with only 15 %-35 % of the training data, leading to substantial reductions (65 %-85 % reduction of annotation effort) in physician annotation time.