开发和验证一个集成的深度学习模型,以帮助诊断eosinophilic慢性鼻炎:一个多中心研究
Jingjing Li1, Ning Mao2, Surita Aodeng1
1Department of Otorhinolaryngology Head and Neck Surgery, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences & Peking Union Medical College, Beijing, China.
International forum of allergy & rhinology
|May 19, 2025
概括
这项研究开发了一种深度学习模型,使用CT扫描来非侵入性预测eosinophilic慢性鼻炎 (eCRS). 该模型准确地识别了eCRS,从而实现了个性化治疗,并为这种疾病推进了精准医学.
科学领域:
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 缺乏准确的非侵入性术前预测,以性慢性鼻炎 (eCRS).
- 目前的诊断依赖于侵入性组织病理学分析.
- 需要先进的诊断工具来指导个性化治疗.
研究的目的:
- 开发一个集成的深度学习模型,用于使用CT图像和临床数据进行eCRS的非侵入性手术前识别.
- 通过蛋白质组分析探索eCRS预测的生物基础.
主要方法:
- 利用两家医院的1098名患者的CT图像.
- 使用深度学习模型 (3D-ResNet,3D-Xception,HR-Net) 来进行特征提取.
- 集成的深度学习得分与临床数据使用支持矢量机器进行分类.
- 在一小部分患者身上进行蛋白质组分析,以确定失调的基因和通路.
主要成果:
- 集成的深度学习模型实现了0.851 (内部) 和0.821 (外部) 的曲线下面面积 (AUC).
- 蛋白质组分析在预测的eCRS患者中发现了594个失调的基因,这些基因与化学激素信号传递等途径有关.
结论:
- 开发的集成深度学习模型提供了一种有效的,非侵入性的方法,用于手术前的eCRS预测.
- 这种方法促进了个性化治疗策略,并为CRS管理中的精准医学做出了贡献.
