在渐进性纤维化间歇性肺病中CT量化的价值:深度学习方法
Seok Young Koh1, Jong Hyuk Lee1, Hyungin Park1
1Department of Radiology, Seoul National University Hospital, 101, Daehak-ro, Jongno-gu, Seoul, 03080, South Korea.
European radiology
|December 12, 2023
概括
对CT扫描的深度学习分析准确地追踪了间歇性肺病 (ILD) 的进展. 这些ILDCT量化变化与肺功能下降相关,并预测患者的预后.
科学领域:
- 放射学 放射学是一门学科.
- 肺部病理学 肺部病理学
- 人工智能的人工智能
背景情况:
- 间歇性肺病 (ILD) 的诊断和预后依赖于成像和肺功能测试.
- 评估ILD进展及其对患者结果的影响仍然是一个临床挑战.
研究的目的:
- 评估基于深度学习的CT量化ILD变化与强迫生命能力 (FVC) 下降和视觉评估.
- 为了确定这些深度学习衍生ILD指标的预后影响.
主要方法:
- 利用深度学习软件,在2年内从468名患者的CT扫描中量化ILD特征 (纤维化,总范围).
- 与FVC下降组 (<5%,5-10%,≥10%) 和放射科医生评估的ILD进展相关的CT量化变化.
- 采用多变量考克斯回归来评估量化结果与患者存活率之间的关联.
主要成果:
- 纤维化增加和ILD总范围显著与更大的FVC下降相关 (p < .001).
- 放射科医生确认的ILD进展的患者表现出纤维化和ILD总程度的增加 (p < .001).
- 基于深度学习的ILD量化增加是生存的独立预后因素,特别是FVC下降≥5%或≥10%.
结论:
- 基于深度学习的CT量化ILD变化与FVC下降和视觉进展评估有很强的相关性.
- 这些定量CT指标作为ILD患者的独立预后指标.
- 人工智能驱动的CT量化对诊断和预测渐进性纤维化ILD的预后具有重大潜力.
