基于CT的放射学机器学习模型的开发和验证,用于区分与免疫相关的间歇性肺炎
Tingyue Luo1, Jingze Guo1, Junjie Xi1
1Chronic Airways Diseases Laboratory, Department of Respiratory and Critical Care Medicine, Nanfang Hospital, Southern Medical University, Guangzhou, Guangdong, China.
International immunopharmacology
|April 22, 2025
概括
一种新的CT成像模型准确地区分了与免疫检查点抑制剂相关的间歇性肺炎 (CIP) 与其他肺炎 (OTP). 这种非侵入性放射学方法有助于快速临床诊断,改善患者护理.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 肺部病理学 肺部病理学
背景情况:
- 免疫检查点抑制剂相关的间歇性肺炎 (CIP) 由于放射性重叠与其他肺炎 (OTP) 存在诊断挑战.
- 准确区分CIP和OTP对于及时和适当的患者管理至关重要.
研究的目的:
- 开发和验证使用CT成像来区分CIP和OTP的非侵入性诊断模型.
- 利用放射学和机器学习来改善肺炎病因学支持.
主要方法:
- 通过对来自五个中心的238名患者 (116名CIP,122名OTP) 的CT图像进行随机森林分析,开发了一种放射学模型.
- 一个新的模型结合了通过后勤回归识别的独立风险因素 (吸烟史,放射治疗史,放射学得分).
- 用ROC,校准和决策曲线分析来评估模型性能.
主要成果:
- 放射学模型的AUC达到0.833 (培训) 和0.821 (验证).
- 组合模型表现出优异的性能,AUC为0.872 (训练) 和0.860 (验证).
- 对CIP的重要预测因素包括吸烟史,放射治疗史和放射性评分 (p < 0.05).
结论:
- 基于CT的放射学模型有效地将CIP与OTP区分开来.
- 开发的非侵入性模型为免疫治疗患者的肺炎诊断提供了快速而准确的病因学支持.
- 机器学习,特别是随机森林分析,增强了CIP的诊断能力.
