European Radiology：机器学习在肺气肿评分中的应用

Tags: 机器学习肺气肿作者：shaosai 更新：2024-03-24

慢性阻塞性肺疾病(COPD)是全球第三大死亡原因，主要症状表现为呼吸短促、用力性呼吸困难和咳嗽。慢性阻塞性肺病主要由吸烟引起，吸烟引起细支气管炎和肺气肿的可变组合可导致慢性气流受限。

肺气肿的特征是肺泡壁破坏，气体交换受损和恶性膨胀，在胸部CT图像上可见为低密度区域。慢性阻塞性肺病是不可逆转的，应尽早诊断以防止病情恶化。肺活量测定(肺功能测试，PFT)可证实慢性气道阻塞，支气管扩张剂或其他治疗无法使其正常化。

计算机断层扫描是肺气肿可视化的首选方式。定量和视觉CT图像评分增加了PFT的信息，并有助于预测COPD的发病率和死亡率，而不依赖于PFT结果。

肺部低衰减像素的比例，即低于-950 HU (LAV950)的低衰减体积，是COPD和吸烟队列中常用的定量CT肺气肿指标。然而，在横断面队列中，LAV950与视觉肺气肿评分相关性较弱。此外，即使在包括LAV950的预测模型中，视觉肺气肿评分仍然是一个重要的预测指标，这表明LAV950只捕获了部分CT图像信息。

近日，发表在European Radiology杂志上的一篇研究开发和验证了基于神经网络的胸部CT全肺肺气肿评分(SWES)，在未使用CT数据上验证SWES，并将SWES与传统的定量CT方法进行了比较。

本项研究使用单独的队列进行算法开发和验证。为了验证，研究纳入了来自前瞻性横断面瑞典心肺生物图像研究(SCAPIS)的474名参与者的薄层CT堆叠，其中395名随机选择，79名来自肺气肿队列。采用SCAPIS纳入时肺活量测定(FEV1/FVC)和放射科医生视觉肺气肿评分(sum-visual)作为参考测试。采用Pearson相关系数和受试者工作特征(ROC)分析，将SWES与市售的定量肺气肿评分方法(LAV950)进行比较。

与LAV950相比，SWES与视觉评分的相关性更强(r = 0.78比r = 0.41, p < 0.001)。SWES预测气道阻塞的ROC曲线下面积大于LAV950(0.76比0.61,p = 0.007)。在全队列中(r = - 0.69 vs. r = - 0.49/r = - 0.64, p < 0.001/p = 0.007)，在肺气肿队列中(r = - 0.77 vs. r = - 0.69/r = - 0.65, p = 0.03/p = 0.002)，在随机样本中(r = - 0.39 vs. r = - 0.26/r = - 0.25, p = 0.001/p = 0.007)， SWES与FEV1/FVC的相关性高于LAV950或sum-visual。

表使用孟氏检验将扩散能力与预测的百分比进行成对比较

本项研究表明，全肺肺气肿切片评分(SWES)与放射科医生视觉肺气肿评分的相关性优于LAV950，与气道阻塞的相关性优于LAV950和放射科医生视觉评分。

原文出处：

Mats Lidén,Antoine Spahr,Ola Hjelmgren,et al.Machine learning slice-wise whole-lung CT emphysema score correlates with airway obstruction.DOI:10.1007/s00330-023-09985-3

来源：MedSci原创

版权声明：
本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有，非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。本网所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。同时转载内容不代表本站立场。
在此留言

小提示：本篇资讯需要登录阅读，点击跳转登录

European Radiology：机器学习在肺气肿评分中的应用

相关推荐