10.12056/j.issn.1006-2785.2023.45.18.2022-3399
基于胸部高分辨CT的深度学习影像组学对特发性肺纤维化GAP分期的预测价值
目的 探讨基于胸部高分辨CT(HRCT)的深度学习影像组学模型对特发性肺纤维化(IPF)性别-年龄-肺生理变量(GAP)分期的预测价值.方法 回顾2020年1月至2022年6月浙江大学医学院附属杭州市第一人民医院诊断为IPF的患者67例,根据GAP分期系统分成早期IPF(GAP Ⅰ期)40例和中晚期IPF(GAP Ⅱ/Ⅲ期)27例,所有患者均行胸部HRCT检查,在联影智能科研平台上的深度学习模块,基于V-net网络进行图像自动分割,同时与人工分割比较,用Dice相似性系数(DSC)评估分割模型的效能.基于自动分割结果,在影像组学模块进行影像组学分析,得到影像组学特征值,通过最小绝对紧缩与选择算子(LASSO)回归筛选组学特征,并基于筛选出的特征系数计算每例患者的影像组学标签(Radscore),基于Radscore构建影像组学模型.采用ROC曲线评估影像组学模型对GAP分期的预测效能.结果 基于V-net网络的肺间质性病变的自动分割模型显示了较好的分割效能,其DSC为0.55~0.93(0.83±0.10).影像组学分析共得到2 400个组学特征,通过LASSO回归筛选出了 8个组学特征,同时计算得到Radscore值.基于Radscore构建的影像组学模型对IPF的GAP分期显示了较好的预测效能,训练组AUC 为 0.862(95%CI:0.740~0.941),灵敏度为 0.783,特异度为 0.833,准确度为 0.811;验证组 AUC 为 0.854(95%CI:0.568~0.981),灵敏度为0.833,特异度为0.875,准确度为0.857.结论 深度学习V-net网络在肺间质性病变的自动分割方面有较高的分割效能,通过基于胸部HRCT的影像组学模型有望成为IPF临床分期的新定量指标,为临床医师提供合理的诊疗决策.
特发性肺纤维化、深度学习、影像组学、计算机断层摄影、性别-年龄-肺生理变量分期
45
R563.9;R737.9;R445.2
浙江省医药卫生科技计划项目;浙江省医药卫生科技计划项目;浙江省医药卫生科技计划项目;浙江省医药卫生科技计划项目;浙江省中医药科技计划项目;杭州市生物医药;健康产业发展扶持科技专项
2023-10-23(万方平台首次上网日期,不代表论文的发表时间)
共7页
1921-1926,1931