开发方法将捐赠肺部计算机断层扫描图像纳入机器学习模型,以预测肺移植后严重的初级移植功能障碍

科学领域:

• 医学成像分析分析 医学成像分析
• 在移植中使用机器学习.
• 胸部手术的结果 胸部手术的结果

背景情况:

• 主要移植功能障碍 (PGD) 是肺移植后的重大并发症,导致患者不良后果.
• 目前对PGD复杂危险因子相互作用的理解有限,影响了供体肺接受决策.
• 以前用于PGD预测的机器学习模型缺乏详细的捐赠肺部计算机断层扫描 (CT) 扫描信息.

研究的目的:

• 优化使用计算机视觉分析捐赠肺部CT扫描的方法.
• 将CT扫描分析与电子健康记录 (EHR) 数据集成,以改善PGD预测.
• 在肺移植中增强供体肺选策略.

主要方法:

• 采用封闭式方法评估了四种计算机视觉技术,用于供体肺部CT扫描分析.
• 确定了表现最好的计算机视觉模型 (3D ResNet) 用于成像分析.
• 晚期融合技术将CT成像功能与机器学习管道不同阶段的EHR数据结合起来.
• 这项研究分析了10年来160名首次双边肺移植患者的数据.

主要成果:

• 使用3D ResNet模型的最佳仅成像方法实现了ROC曲线 (0.63) 和精度回忆曲线 (0.48) 下的中位面积.
• 通过晚期融合将捐赠者肺部CT扫描数据与临床EHR数据集成,产生了最高的预测性能.
• 综合方法显示ROC曲线下的中位面积为0.74和精度回忆曲线下的中位面积为0.61.

结论:

• 将先进的CT扫描图像分析与临床数据相结合,显著改善了对原发性移植功能障碍 (PGD) 的预测.
• 这种综合方法为评估供体肺活力和优化受体结果提供了更强大的工具.
• 这些发现支持在改善肺移植决策过程中使用机器学习和人工智能.