机器学习和磁共振图像纹理分析预测慢性阻塞性肺病和没有慢性阻塞性肺病的前吸烟者加速肺功能下降

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 肺部病理学 肺部病理学

背景情况:

• 慢性阻塞性肺病 (COPD) 是一种渐进的肺病.
• 早期识别加速的肺功能下降对于及时干预至关重要.
• 超极化气体MRI为肺部结构和功能提供了新的见解.

研究的目的:

• 在超极化-3MRI数据上训练机器学习算法.
• 开发模型,预测前吸烟者肺功能下降的加速.
• 评估MRI通风,机器学习和多变量建模在预测1秒内强迫呼气体积变化的有用性 (FEV1).

主要方法:

• 超极化-3MRI是使用快梯度回忆回声序获得的.
• 从MRI数据中提取了纹理特征,使用自定义算法和PyRadiomics.
• 机器学习分类器经过训练,并使用特征选择技术和标准指标进行评估.

主要成果:

• 机器学习模型仅使用MRI纹理特征就预测了FEV1下降的准确率为81%.
• 结合人口统计和螺旋计的组合模型实现了82%的分类准确度.
• 在MRI纹理特征上训练的模型表现出高预测能力,加速FEV1下降.

结论:

• 超极化-3MRI通风纹理特征与机器学习相结合,可以准确识别加速FEV1下降的前吸烟者.
• 这种方法提供了一种非侵入性方法,用于COPD或COPD风险的个体的风险分层.
• 这些发现突显了先进的成像和机器学习在个性化呼吸道医学中的潜力.