肺栓塞生存预测使用基于计算机断层扫描,血管学和临床数据的多式学习

科学领域:

• 肺部医学 肺部医学
• 人工智能的人工智能
• 医学成像分析 医学成像分析

背景情况:

• 肺栓塞 (PE) 是导致死亡的主要原因.
• 准确的生存预测对于管理PE患者至关重要.
• 当前的预测方法可能会从先进的分析工具中受益.

研究的目的:

• 开发和评估深度学习 (DL) 模型来预测PE生存率.
• 为了整合计算机断层扫描肺血管造影 (CTPA) 成像功能,临床数据和PE严重性指数 (PESI) 评分.
• 为了比较多式联运DL模型与传统方法的性能.

主要方法:

• 追溯分析了918名患有3978例CTPA的患者.
• 人工智能模型用于从CTPA中提取成像特征.
• 开发多式CoxPH模型,结合DL特征,临床数据和PESI分数.
• 使用一致性指数 (c指数) 和卡普兰-梅尔分析评估的性能.

主要成果:

• 结合CTPA特征,临床数据和PESI的多模式DL模型实现了比单独的PESI更高的c指数.
• 通过模型分层显著差异化了生存结果 (P<0.001).
• 在高风险组和右心室 (RV) 功能障碍之间观察到强烈的相关性.

结论:

• 综合CTPA,临床数据和PESI的多原子DL模型提供了卓越的PE生存预测.
• 这些先进的模型增强了风险分层,并可以为临床决策提供信息.
• DL模型在改善PE的预后准确性方面表现有前途.