基于深度学习的预后在异常性肺纤维化使用胸部X射线图

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
• 肺部医学 肺部医学

背景情况:

• 异形性肺纤维化 (IPF) 是一种进展性肺病,治疗选择有限.
• 准确的预后对于管理IPF患者和指导治疗决策至关重要.
• 当前的预后模型通常依赖于临床和生理学参数,具有有限的预测能力.

研究的目的:

• 开发和验证基于深度学习的IPF预后模型 (DLPM),使用胸部X射线图.
• 评估DLPM在预测3年生存率方面的表现.
• 将DLPM的预后准确度与强迫生命能力 (FVC) 进行比较,并评估其作为预后因素的独立性.

主要方法:

• 在IPF患者的胸部放射图上训练和验证了一个深度学习模型 (n=1204训练,n=117验证).
• 在三个独立的队列 (n=152,141,207) 上进行了外部验证.
• 模型的性能使用依赖时间的AUC (TD-AUC) 来评估3年生存率,与FVC相比,并使用Cox回归来评估独立性. 创建了一个修改的GAP指数 (GAP-CR).

主要成果:

• 与FVC相比,DLPM在三个外部测试队列中在预测3年生存率方面表现相似或更高 (DLPM的TD-AUC从0.76到0.83不等,FVC的TD-AUC从0.68到0.76).
• 在所有外部队列中,DLPM被确定为FVC的独立预后因素 (p < 0.001).
• 修改后的GAP-CR指数显示,在三个外部队列中的两个队列中,与原来的GAP指数相比,预后表现有所改善.

结论:

• 使用胸部放射图的深度学习模型可以有效地预测IPF患者的生存率.
• 这个DLPM提供了与FVC相比或超过FVC的预测性能,并且独立于FVC.
• DLPM有可能提高IPF预后和临床决策.