机器学习和CT纹理特征在前吸烟者没有CT证据的肺气和轻微异常的扩散能力
Maksym Sharma1, Miranda Kirby2, David G McCormack3
1Robarts Research Institute, Western University, 1151 Richmond St N, London, N6A 5B7, Canada (M.S., G.P.); Department of Medical Biophysics, Western University, London, Canada (M.S., G.P.).
Academic radiology
|December 31, 2023
概括
使用CT纹理分析的机器学习模型可以识别患慢性阻塞性肺病 (COPD) 风险的前吸烟者. 这些模型准确地分类了肺部对一氧化碳 (DLCO) 的异常扩散能力异常的个体,优于传统方法.
科学领域:
- 肺部医学 肺部医学
- 放射学 放射学是一门学科.
- 医疗保健中的人工智能
背景情况:
- 前吸烟者没有螺旋计或CT证据表明COPD,但肺部对一氧化碳 (DLCO) 的扩散能力略有降低,面临患COPD的风险增加.
- 对于这些人来说,临床管理决策是具有挑战性的,因为缺乏符合COPD的客观评估.
研究的目的:
- 开发一个机器学习 (ML) 和CT纹理分析管道.
- 准确地将前吸烟者分为正常和异常DLCO的组 (预测DLCO≥75%和预测DLCO<75%).
主要方法:
- 对71名没有COPD的前吸烟者 (50-85岁) 进行了回顾性研究.
- 数据收集包括螺旋计,囊造影,胸部CT和3HeMRI (用于通风缺陷百分比和明显扩散系数).
- PyRadiomics提取了496个CT纹理特征;特征选择使用Boruta和主要组件分析. 用AUC,灵敏度,特异性和F1测量来评估ML分类器.
主要成果:
- 与正常DLCO患者相比,轻度异常DLCO的前吸烟者在MRIADC,残留体积与肺总容量比率,圣乔治呼吸问卷得分和6分钟步行距离方面有显著差异.
- 在选定的CT纹理特征上训练的物流回归ML混合模型实现了87%的分类准确性.
- 一个特定的CT纹理特征 (高高通过器高灰色水平运行强调) 超过了所有临床和成像测量 (AUC=0.81) 并与DLCO,MRI ADC和6MWD相关联.
结论:
- 仅在CT纹理特征上训练的机器学习模型可以准确地分类具有异常扩散能力的前吸烟者.
- 这些ML模型的性能超过了传统的定量CT测量,用于识别有风险的个体.
- CT纹理分析为前吸烟者风险分层提供了一个有希望的非侵入性工具.
更多相关视频
08:05Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
Published on: December 19, 2020
14.2K
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
612
