将CT放射学和临床数据与机器学习集成在一起,以预测煤炭工人肺炎炎的纤维化进展

科学领域:

• 肺部医学 肺部医学
• 放射学 放射学是指放射学
• 人工智能的人工智能

背景情况:

• 煤炭工人肺炎 (CWP) 是一种渐进的职业肺部疾病.
• 肺间歇性纤维化是CWP的常见并发症,导致显著的发病率.
• 准确预测纤维化进展对于及时干预至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测CWP中的肺间歇性纤维化进展.
• 将计算机断层扫描 (CT) 放射学特征与临床数据相结合,以提高预测准确度.
• 将多式模式模型的性能与仅临床和仅放射性模型进行比较.

主要方法:

• 对297名CWP患者进行了回顾性分析,数据分为培训 (n=207) 和测试 (n=90) 队列.
• 从肺纤维化病变的CT图像中提取了放射性特征,并减少了维度,以创建形态生物标志物.
• 开发了三个ML模型:临床,放射学和多式联接模型,使用ROC曲线和DCA评估性能.

主要成果:

• 联合多模式模型在训练 (AUC=0.945) 和测试 (AUC=0.845) 队列中实现了最高的预测性能.
• 放射学模型 (训练AUC=0.879,测试AUC=0.750) 和临床模型 (训练AUC=0.835,测试AUC=0.732) 的预测能力较低.
• 多模式方法在预测纤维化进展方面表现出卓越的临床效用和准确性.

结论:

• 结合CT放射学和临床特征的多式ML模型是预测CWP肺纤维化进展的有效工具.
• 与仅使用临床或放射性数据的模型相比,这种方法提供了更好的准确性和临床益处.
• 开发的模型有可能用于早期识别和管理CWP相关的肺纤维化.