渐进性纤维化间歇性肺病的风险因素和预后指标:基于深度学习的CT量化方法

科学领域:

• 肺部医学 肺部医学
• 放射学 放射学是一门学科.
• 医疗保健中的人工智能

背景情况:

• 间歇性肺部疾病 (ILD) 涵盖了一组由渐进性肺部痕特征的疾病.
• 预测纤维化ILD (PF-ILD) 的进展和患者的结局仍然是一个临床挑战.
• 定量CT (QCT) 分析为客观评估ILD严重程度提供了潜力.

研究的目的:

• 评估基于深度学习的QCT在预测PF-ILD发展方面的有效性.
• 评估基于深度学习的QCT对ILD患者死亡率的预后价值.
• 为了确定深度学习QCT是否比传统的临床预后措施更好.

主要方法:

• 一项回顾性研究分析了465名ILD患者 (2015-2021) 的CT扫描.
• 深度学习算法量化了ILD发现 (GGO,RO,蜂) 和整体纤维化.
• 后勤和考克斯回归模型评估了PF-ILD和死亡率的预测因素,C指数评估了FVC增加的QCT价值.

主要成果:

• 基线的网膜不透明度 (RO) 和纤维化程度预测了PF-ILD的发展.
• RO,蜂和纤维化程度是预后不佳 (死亡率) 的重要预测因素.
• 与强迫生命能力 (FVC) 整合深度学习QCT指标显著改善了预后准确性 (C指数0.714-0.703) 与单独使用FVC (C指数0.545) 相比.

结论:

• 基于深度学习的QCT有效地预测PF-ILD的发展和预后.
• 对ILD发现的定量CT分析提供了有价值的预后信息.
• 这种人工智能驱动的方法可以识别有风险的患者,使及时的干预和潜在的改善结果.