一种新的机器学习方法,以协助早期诊断扩散性支气管炎
Hwan Jin Lee1,2, Kyung Joon Heo3, Yeon Seok You2,4,5
1Department of Internal Medicine and Research Center for Pulmonary Disorders, Jeonbuk National University Medical School, Jeonju, Korea.
Journal of Korean medical science
|December 9, 2025
概括
机器学习改善了扩散性肺炎 (DPB) 的早期诊断,这是一个罕见的肺部疾病. 过敏性鼻炎和CT扫描大块是快速检测的关键指标.
科学领域:
- 肺部医学 肺部医学
- 医疗信息学 医疗信息学
背景情况:
- 扩散性支气管炎 (DPB) 是一种罕见的,进展性炎症性小呼吸道疾病.
- DPB经常被误诊为其他呼吸道疾病,如非结核性真菌菌菌感染或支气管病变.
研究的目的:
- 通过机器学习 (ML) 算法,提高DPB的早期诊断准确度.
- 确定改善DPB诊断的关键指标.
主要方法:
- 将七个ML模型应用于99名疑似DPB患者的临床,实验室和放射学数据.
- 根据已建立的DPB诊断标准对患者进行分类.
主要成果:
- 最少绝对收缩和选择操作员回归模型实现了最高的预测准确性.
- 鉴定出过敏性鼻炎和CT扫描中的巨块是DPB的重要诊断因素.
结论:
- 这项研究代表了第一个ML应用程序用于DPB诊断.
- 过敏性鼻炎和CT巨块对于早期DPB检测至关重要.
- ML集成可以提高罕见疾病诊断的效率;建议使用更大的数据集进行进一步验证.
