基于深度学习的计算机断层扫描的细分预测了异常性肺纤维化病的疾病进展和死亡率

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:

• 异形性肺纤维化 (IPF) 的预后不好,而CT扫描显示出预后价值,基于图像的生物标志物在临床实践和试验中未得到充分利用.
• 从CT扫描中提取这些生物标志物的自动化方法的开发对于改善患者的治疗结果和研究效率至关重要.

研究的目的:

• 开发和验证自动成像生物标志物,使用基于深度学习的CT扫描对异常性肺纤维化 (IPF) 的细分.
• 评估这些CT衍生生物标志物的预后价值与肺功能,疾病进展和IPF患者的死亡率相关.

主要方法:

• 深度学习模型被用来细分PROFILE研究和英国队列中的未经治疗的IPF患者CT扫描中的四个解剖学生物标志物.
• 分析了细分CT生物标志物 (肺,血管和纤维化体积) 与临床结果 (肺功能,无进展生存,死亡率) 之间的关系.
• 统计分析包括相关性,生存分析和对基线临床因素的调整.

主要成果:

• 自动细分在97.8%的扫描中成功,跨越各种供应商和切片厚度.
• 肺体积与FVC有很强的相关性 (r=0.82).
• 较低的肺体积,增加的血管体积和增加的纤维化体积与减少的2年无进展生存率和差异性的长期生存率有关,即使经过对临床因素的调整. 肺体积的减少和纤维化体积的增加纵向预测了生存率.

结论:

• 自动化细分模型可以有效地从IPFCT扫描中提取预后成像生物标志物.
• 这些生物标志物提供了宝贵的短期和长期预后信息.
• 开发的自动化方法有可能融入常规临床实践,并作为IPF临床试验的关键终点使用.