慢性閉塞性肺疾患の同定と分類を強化するためのマルチモーダルデータ駆動型マルチタスク学習：後向き研究

科学分野:

• 医用画像処理;人工知能;肺学

背景:

• 慢性閉塞性肺疾患（COPD）は、世界的な死亡原因の主要なものです。正確なCOPDの同定とフェノタイピングは、効果的な患者管理のために不可欠です。現在の診断方法は、高度な計算アプローチから恩恵を受ける可能性があります。

研究 の 目的:

• 自動化されたCOPD検出と分類のためのマルチモーダルマルチタスク学習フレームワークを開発および評価すること。診断パフォーマンスを向上させるために、コンピューテッドトモグラフィー（CT）画像と臨床データを統合すること。COPDと非COPD、およびさまざまなCOPDサブタイプを区別するモデルの有効性を評価すること。

主な方法:

• 2320人の患者のCTスキャンと臨床データを融合した後向きマルチタスク学習モデルを開発しました。モデルのパフォーマンスは、一致相関係数（CCC）、平均絶対誤差（MAE）、受信者操作特性曲線下面積（AUC）、精度（ACC）、適合率、再現率、F1スコアなどの指標を使用して評価されました。一般化可能性は、3つの異なるバックボーンネットワークで実験を再現することによってテストされました。

主要な成果:

• 最適なモデルは、努力性肺活量（FVC）で最大0.75のCCC、1秒間努力呼気量（FEV1）で0.77のCCCを達成しました。二値COPD分類では、マルチタスク学習モデルはAUCで0.88、ACCで0.83に達しました。三値分類（COPD/PRISm/正常）では、最高のAUCは0.87で、ACCは0.79でした。

結論:

• CT画像と臨床変数を統合したマルチタスク学習モデルは、COPDの同定と分類において単一タスクモデルを上回ります。このアプローチは、呼吸器科におけるエビデンスに基づいた臨床的意思決定をサポートします。この発見は、COPD管理のための精密医療の提供を進歩させます。