使用机器学习和CT特征预测系统性硬化症肺移植中的初级移植功能障碍

科学领域:

• 心脏病学 心脏病学
• 肺部病理学 肺部病理学
• 放射学 放射学是一门学科.
• 移植手术 移植手术
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 主要移植功能障碍 (PGD) 是肺移植 (LTx) 接受者的长期生存的主要障碍.
• 系统性硬化症 (SSc) 患者的PGD研究显著有限.
• 了解SSc患者的PGD预测因子对于改善移植结果至关重要.

研究的目的:

• 在接受双边LTx.的SSc患者中确定PGD的临床和成像预测因素.
• 开发和评估用于使用CT衍生功能的PGD预测的机器学习 (ML) 模型.
• 评估这个群体中捐赠者-接受者体型匹配和PGD之间的关联.

主要方法:

• 调查了92名接受双边LTx (2007-2020) 的SSc接受者.
• 利用深度学习进行自动CT图像特征提取和体积分析以匹配肺大小.
• 开发了四种ML算法 (逻辑回归,SVM,RFC,MLP) 来预测PGD (定义为在LTx后72小时的3级).

主要成果:

• 预后性骨质疏松症与较高的BMI,非洲裔美国人种族,较低的手术前FEV1和FVC,更长的等候名单时间和更高的LAS有关.
• CT分析显示了PGD和肺体积减少,心脏胸腔比率增加以及更大的心表/心脏总脂肪组织之间的关联.
• 通过CT识别的过大规模的捐赠者全体移植与PGD显著相关 (p < 0.050).
• 使用FEV1,心胸腔比率,等候名单时间和捐赠者-接受者胸腔体积比率的MLP模型,实现了0.85.8的AUROC.

结论:

• CT衍生的成像特征与SSc LTx受体的PGD发展有显著的相关性.
• 结合这些CT特征的预测模型显示了PGD风险评估的巨大潜力.
• 这些发现突显了先进成像和ML在优化SSc患者的肺移植结果中的实用性.