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