基于多式超声波的可解释机器学习模型,用于诊断COPD急性恶化
Zhe Sun1,2, Huilin Li1,2, Yujin Zheng2
1China-Japan Friendship Hospital (Institute of Clinical Medical Sciences), Chinese Academy of Medical Sciences & Peking Union Medical College, Beijing, 100730, China.
Respiratory research
|November 29, 2025
概括
这项研究开发了一个可解释的机器学习模型,使用床边超声波来诊断慢性阻塞性肺病 (AECOPD) 的急性恶化. 这种非侵入性工具在COPD患者实时临床应用方面表现有前途.
科学领域:
- 肺部医学 肺部医学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 慢性阻塞性肺病 (AECOPD) 的急性恶化导致肺功能显著下降和死亡率.
- 由于非特异性症状和诊断工具的局限性,对AECOPD的早期和准确诊断具有挑战性.
- 这项研究解决了改善AECOPD诊断方法的需求.
研究的目的:
- 开发一种可解释的机器学习 (ML) 模型,用于实时诊断AECOPD.
- 将多式超声波指示器集成到ML模型中,以提高诊断准确度.
- 为改善COPD患者的临床决策.
主要方法:
- 这是一项前性单中心研究,涉及316名COPD患者.
- 进行了标准化肺部,腹膜和四头骨超声波检查.
- 四个ML算法被开发并使用AUC进行评估,并使用SHAP进行解释.
主要成果:
- 一种支持向量机 (SVM) 模型显示出高诊断性能 (AUC ~ 0.93).
- 最终的模型使用了6个变量,其中5个来自超声波.
- 关键预测因素包括肺超声波得分升高,腹膜功能障碍和四头骨缩.
结论:
- 基于床边超声波特征的可解释,非侵入性ML模型对于AECOPD诊断在临床上是可行的.
- 这种方法促进了实时诊断能力.
- 建议进行多中心验证,以确认可通用性并探索进一步的整合.
