2016 欧洲呼吸协会国际大会（European Respiratory Society's International Congress）上发表的一篇最新研究成果表示，人工智能可以改进肺功能检查的结果分析。
该研究首次探索了人工智能在改善肺病诊断精确度上的使用。目前的测试需要一系列步骤，包括肺活量检测，测试呼吸时空气流过肺部的量（体积）和速度（流速）；之后是用体积描记法测试测量静态肺容积和气道阻力；最后用弥散测试测量通过肺泡的氧气和其他气体的量。这些测试结果的分析在很大程度上来源于专家意见和国际标准，然后从分析结果中得出一个模式。
在这项新研究中，研究者收集了 986 名首次接受完整肺功能测试的受试者的测量数据。所有参与者收到了一个基于肺功能测试和所有其他必要的测试（如 CT，心电图，等等）的综合结果的诊断分析。最终的诊断结果是一组临床专家达成的共识。
随后调查研究了像『机器学习』这样的概念是否能用于分析完整的肺功能测试。机器学习利用一种能从数据中学习并预测数据分析的算法。该团队开发了一种算法，能处理常规肺功能测试参数和包括吸烟史、体重指数（BMI）和年龄的临床变量数据。基于临床和肺功能数据的模式，该算法能为诊断提出建议。
该研究论文的主要作者（senior author），来自比利时鲁汶大学的 Wim Janssens 评论道，「在这项新研究中，我们证明了人工智能能为我们提供更精确的诊断。该项成果的精彩之处在于这个算法能模拟复杂的推理，共临床专家使用来给出诊断，这种更加标准化的客观的方法可以消除偏差。」
临床医生现在必须依赖使用基于人群的参数来分析这些结果。有了人工智能，这个机器就能同时观测到一个组合模式，帮助生成更精确的诊断。之前在心电图的分析中也使用了机器学习算法来增强分析的结果，为常规临床实践提供决策建议。
研究第一作者，同样来自比利时鲁汶大学的 Marko Topalovic 说，「这种方法的好处是让肺功能检测的分析结果变得更加精确和自动化，提升疾病检测的效率，不仅可以帮助没什么经验临床新手医生，也可以减少多余的额外检测，为最终诊断结果的出炉节省了时间，从而有益于整个医疗过程。」该研究团队下一步将在不同的人群中测试这个算法，持续更新经临床诊断验证的肺功能检测数据，提升该系统的决策能力。
