使用完全自动化的深度学习算法进行CT衍生胸部组合和肺炎病例住院治疗:动脉样硬化多民族研究

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 肺部病理学 肺部病理学

背景情况:

• 衰老和慢性疾病,如肉症和硬血症可以导致骨肌肉损失.
• 肺炎住院对于经历肌肉损失的人来说是一个问题.
• 应用到胸部CT扫描的深度学习算法为早期检测肌肉损失提供了一个潜在的方法.

研究的目的:

• 开发一种自动化的深度学习算法,用于在标准胸部CT扫描上测量胸部肌肉.
• 检查这些肌肉测量和未来肺炎住院的风险之间的关系.
• 在慢性阻塞性肺病 (COPD) 状态的背景下专门调查这些关联.

主要方法:

• 利用了多民族动脉样硬化研究 (2010-2012) 的胸部CT扫描.
• 实现了深度学习算法 (Mask R-CNN) 用于自动化胸部肌肉细分和组成分析.
• 采用考克斯的比例危险模型,调整混因素,以评估与肺炎住院病例的关联,按COPD状态分层.

主要成果:

• 该研究包括2595名具有可用CT扫描的参与者.
• 总的来说,胸部肌肉测量没有预测肺炎住院治疗.
• 然而,在患有COPD的参与者中,增加的外肌细胞脂肪指数与更高的肺炎住院风险独立相关 (HR: 1.98,p=0.02).

结论:

• 自动深度学习衍生乳房肌肉测量可以从现有的胸部CT扫描中获得,无需额外的成本或辐射.
• 这些CT-derived肌肉测量显示了肺炎住院治疗的独立预测价值,但仅在COPD患者中.
• 这一发现突显了利用现有成像数据对COPD患者肺炎风险进行机会性查的潜力.