机器学习模型的开发,以低剂量的CT衍生参数响应映射来预测肺功能,在社区基础的胸部查队列中进行映射

科学领域:

• 肺部医学 肺部医学
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 肺功能测试 (PFT) 对于诊断COPD等肺部疾病至关重要.
• 低剂量计算机断层扫描 (LDCT) 可以提供详细的肺部成像.
• 参数响应映射 (PRM) 在CT扫描上量化肺组织变化.

研究的目的:

• 开发和评估一个机器学习 (ML) 模型,使用LDCT衍生的PRM来预测PFT结果.
• 评估模型将个人分为正常,高风险和COPD类别的能力.

主要方法:

• 追溯分析615名受试者 (40-74岁) 的PFT和LDCT数据.
• 计算72个PRM参数,包括肺气和小气道疾病.
• 构建和测试用于PFT预测和分类的随机森林回归和MLP模型.

主要成果:

• 随机森林ML模型显示出优异的PFT预测 (FEV1/FVC的R2为0.749,FEV1%为0.792).
• 在区分正常与高风险组 (88%) 和非COPD与COPD组 (99%) 中的高精度.
• 该模型在区分这些群体方面实现了高灵敏度和特异性.

结论:

• 使用PRM的基于ML的随机森林模型有效地从LDCT数据中预测PFT结果.
• 该模型可靠地在社区查环境中识别COPD高风险的个体.
• 这种由人工智能驱动的方法对肺部疾病的早期检测和风险分层有希望.