基于胸部CT的机器学习方法,用于预测COVID-19相关的肺阿斯伯吉洛症风险
Jiahao Liu1, Juntao Zhang2, Huaizhen Wang3
1Department of Radiology, The First Affiliated Hospital of Shandong First Medical University & Shandong Provincial Qianfoshan Hospital, Jinan, China (J.L., H.W., L.W., J.C., M.L., Q.Z.); Shandong First Medical University, Jinan, China (J.L., M.L., S.W.).
Academic radiology
|February 11, 2025
概括
整合胸部CT扫描和临床数据的新机器学习模型准确地预测了住院COVID-19患者的二次阿斯伯吉勒斯感染,改善了风险评估.
科学领域:
- 医学成像和机器学习
- 传染性疾病 传染性疾病
- 肺部病理学 肺部病理学
背景情况:
- 住院COVID-19患者有第二次感染的风险.
- 在这些患者中,Aspergillus感染是一种严重的并发症.
- 准确预测阿斯珀吉洛斯症对于及时干预至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测二次阿斯伯吉勒斯感染.
- 该模型整合了胸部CT放射学和临床风险因素.
- 评估模型的预测性能和临床实用性.
主要方法:
- 对291名COVID-19患者进行了回顾性研究.
- 利用最少绝对收缩和选择操作员回归来从胸部CT选择特征.
- 开发了一个多因素后勤回归模型,将CT特征和临床数据结合起来.
- 使用接收器操作特征曲线 (AUC) 和决策曲线分析 (DCA) 验证的模型性能.
主要成果:
- 一个包含11个放射学特征和7个临床因素的多因素模型显示出高预测性能.
- 获得的AUC值为0.98 (培训),0.98 (内部验证) 和0.87 (外部验证).
- 多因素模型显著优于仅使用CT或仅使用临床因素的模型.
结论:
- 开发的多因素模型是预测COVID-19相关的肺阿斯伯吉洛症的可靠工具.
- 这种模型可以帮助早期识别和管理二次阿斯珀吉勒斯感染.
- 影像和临床数据的整合提高了机会性感染的预测准确度.


