該研究利用胸片和其他臨床因素，開發並驗證基於深度學習的COPD患者生存預測模型。
COPD是一種需要長期隨訪的慢性疾病，預測COPD患者的預期壽命對於確定隨訪和治療計劃具有重要意義。既往研究提示COPD的各種預後指標，包括年齡、症狀、急性加重史、體重指數、合並症、運動能力、第1秒用力呼氣容積(FEV1)等。現有的預測COPD預後的指標不使用放射學信息。深度學習模型可用於從COPD患者的胸片中提取相關信息。通過使用卷積神經網絡(CNN)，深度學習模型可能用於提取預測應用的相關定量值。Radiology雜誌發表了一項研究，利用胸片和其他臨床因素，開發並驗證基於深度學習的COPD患者生存預測模型。
這項回顧性研究收集了2011-2015年間接受支氣管擴張術後肺活量測定和胸部X線檢查的COPD患者數據，並分為培訓(n=3475)、驗證(n=435)和內部測試(n=315)數據集。對胸片預測生存率的算法進行培訓(簡稱DLSPCXR)，然後將年齡、體重指數和FEV1整合到模型中(簡稱DLSPinteg)。對於外部測試，收集了三個獨立隊列(n=394、416和337)。對於5年生存率，采用受試者操作特征曲線下的時間依賴麵積(TD AUCs)評估DLSPCXR的辨別性能。采用Hosmer-Lemeshow檢驗評估擬合優度。使用外部測試數據集，將DLSPinteg與四個COPD特異性臨床指標進行比較：BODE、ADO、COPD評估測試(CAT)和聖喬治呼吸問卷(SGRQ)。
結果顯示，在三個外部測試的兩個隊列中，DLSPCXR在預測5年生存率方麵優於FEV1(TD AUC：0.73 vs 0.63[P=0.004];0.67 vs 0.60[P=0.01];0.76 vs 0.77[P=0.91])。DLSPCXR在所有隊列中顯示出良好的校準效果。與BODE(0.87 vs 0.80;P=0.34)、ADO(0.86 vs 0.89;P=0.51)和SGRQ(0.86 vs 0.70;P=0.09)相比，DLSPinteg模型在TD AUC方麵沒有表現出差異，並且TD AUC高於CAT(0.93 vs 0.55;P=0.001)。
結果表明，利用胸片的深度學習模型能夠預測COPD患者的生存率，在兩個外部測試隊列中優於FEV1。
原文出處：
Ju Gang Nam, Hye-Rin Kang, et al, Deep Learning Prediction of Survival in Patients with Chronic Obstructive Pulmonary Disease Using Chest Radiographs, Radiology 2022,https://doi.org/10.1148/radiol.212071.
我要跟帖copyright©醫學論壇網 版權所有，未經許可不得複製、轉載或鏡像
京ICP證120392號 京公網安備110105007198 京ICP備10215607號-1 （京）網藥械信息備字（2022）第00160號
