基于机器学习的计算机断层扫描放射学回归模型用于预测肺功能
Wenfang Wang1, Yingli Sun1, Ruoyu Wu1
1Department of Radiology, Huadong Hospital, Fudan University, 221, Yanan West Road, Jingan District, Shanghai 200040, PR China (W.W., Y.S., R.W., L.J., M.L.).
Academic radiology
|April 11, 2025
概括
使用胸部CT放射学的机器学习模型可以预测肺功能,包括1秒内强制生命能力 (FVC) 和强制呼吸量 (FEV1). 这种方法可以比传统方法更好地预测肺功能.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 胸部计算机断层扫描 (CT) 放射学为预测分类结果提供了潜力.
- 使用CT放射学模型对肺功能指数的直接预测目前是有限的.
研究的目的:
- 开发和验证基于机器学习的回归模型,用于预测肺功能指数.
- 利用全肺CT放射学和临床特征来改善肺功能预测.
主要方法:
- 对接受胸部CT和肺功能测试的患者进行回顾性研究.
- 构建和验证强制生命能力 (FVC) 和1秒内强制呼气量 (FEV1) 的机器学习回归模型.
- 使用CCC和R平方等指标对模型性能进行评估,并通过SHapley添加式解释分析特征重要性.
主要成果:
- 结合放射学和临床特征的组合模型在外部测试集上预测FVC和FEV1方面表现出强的表现 (例如,FVC CCC:0.745,R平方:0.601;FEV1 CCC:0.744,R平方:0.527).
- 关键预测因素包括年龄,性别和肺气,以及不同的放射性特征.
- 对模型的性能进行了严格的评估,并与螺旋计结果对比.
结论:
- 全肺放射学特征对于构建回归模型非常有价值.
- 这些模型显示了改善肺功能预测的前景.
