Radiology:利用胸片的深度学习模型预测COPD患者生存率优于FEV1
2022-06-11 小文子 MedSci原创
该研究利用胸片和其他临床因素,开发并验证基于深度学习的COPD患者生存预测模型。
COPD是一种需要长期随访的慢性疾病,预测COPD患者的预期寿命对于确定随访和治疗计划具有重要意义。既往研究提示COPD的各种预后指标,包括年龄、症状、急性加重史、体重指数、合并症、运动能力、第1秒用力呼气容积(FEV1)等。现有的预测COPD预后的指标不使用放射学信息。深度学习模型可用于从COPD患者的胸片中提取相关信息。通过使用卷积神经网络(CNN),深度学习模型可能用于提取预测应用的相关定量值。Radiology杂志发表了一项研究,利用胸片和其他临床因素,开发并验证基于深度学习的COPD患者生存预测模型。
这项回顾性研究收集了2011-2015年间接受支气管扩张术后肺活量测定和胸部X线检查的COPD患者数据,并分为培训(n=3475)、验证(n=435)和内部测试(n=315)数据集。对胸片预测生存率的算法进行培训(简称DLSPCXR),然后将年龄、体重指数和FEV1整合到模型中(简称DLSPinteg)。对于外部测试,收集了三个独立队列(n=394、416和337)。对于5年生存率,采用受试者操作特征曲线下的时间依赖面积(TD AUCs)评估DLSPCXR的辨别性能。采用Hosmer-Lemeshow检验评估拟合优度。使用外部测试数据集,将DLSPinteg与四个COPD特异性临床指标进行比较:BODE、ADO、COPD评估测试(CAT)和圣乔治呼吸问卷(SGRQ)。
结果显示,在三个外部测试的两个队列中,DLSPCXR在预测5年生存率方面优于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在所有队列中显示出良好的校准效果。与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方面没有表现出差异,并且TD AUC高于CAT(0.93 vs 0.55;P=0.001)。
结果表明,利用胸片的深度学习模型能够预测COPD患者的生存率,在两个外部测试队列中优于FEV1。
原文出处:
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.
本网站所有内容来源注明为“梅斯医学”或“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为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或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。
在此留言
#深度学习模型#
33
#FEV1#
30
#FEV#
29
#患者生存#
51
#生存率#
46
#胸片#
49
#COPD患者#
39