利用胸片的深度学习模型预测COPD患者生存率优于FEV1
该研究利用胸片和其他临床因素，开发并验证基于深度学习的COPD患者生存预测模型。
COPD是一种需要长期随访的慢性疾病，预测COPD患者的预期寿命对于确定随访和治疗计划具有重要意义。既往研究提示COPD的各种预后指标，包括年龄、症状、急性加重史、体重指数、合并症、运动能力、第1秒用力呼气容积(FEV1)等。现有的预测COPD预后的指标不使用放射学信息。深度学习模型可用于从COPD患者的胸片中提取相关信息。通过使用卷积神经网络(CNN)，深度学习模型可能用于提取预测应用的相关定量值。Radiology杂志发表了一项研究，利用胸片和其他临床因素，开发并验证基于深度学习的COPD患者生存预测模型。
这项回顾性研究收集了2011-2015年间接受支气管扩张术后肺活量测定和胸部X线检查的COPD患者数据，并分为培训(n=3475)、验证(n=435)和内部测试(n=315)数据集。对胸片预测生存率的算法进行培训(简称DLSPCXR)，然后将年龄、体重指数和FEV1整合到模型中(简称DLSPinteg)。对于外部测试，收集了三个独立队列(n=394、416和337)。对于5年生存率，采用受试者操作特征曲线下的时间依赖面积(TD AUCs)评估DLSPCXR的辨别性能。采用Hosmer-Lemeshow检验评估拟合优度。使用外部测试数据集，将DLSPinteg与四个COPD特异性临床指标进行比较：BODE、ADO、COPD评估测试(CAT)和圣乔治呼吸问卷(SGRQ)。
结果显示，在三个外部测试的两个队列中，DLSPCXR在预测5年生存率方面优于FEV1(TD AUC：0.73 vs 0.63[P=0.004];0.67 vs 0.60[P=0.01];0.76 vs 0.77[P=0.91])。DLSPCXR在所有队列中显示出良好的校准效果。与BODE(0.87 vs 0.80;P=0.34)、ADO(0.86 vs 0.89;P=0.51)和SGRQ(0.86 vs 0.70;P=0.09)相比，DLSPinteg模型在TD AUC方面没有表现出差异，并且TD AUC高于CAT(0.93 vs 0.55;P=0.001)。
结果表明，利用胸片的深度学习模型能够预测COPD患者的生存率，在两个外部测试队列中优于FEV1。
原文出处：
Ju Gang Nam, Hye-Rin Kang, et al, Deep Learning Prediction of Survival in Patients with Chronic Obstructive Pulmonary Disease Using Chest Radiographs, Radiology 2022,https://doi.org/10.1148/radiol.212071.
相关文章
评论
我要跟帖
.jpg)
