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(GAPⅠ期)40例和中晚期IPF(GAPⅡ/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2400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。

基于HRCT构建影像组学模型评估IPF患者的GAP分期

目的 探究基于高分辨率CT(HRCT)提取影像组学特征构建无侵袭性模型预测特发性肺纤维化(IPF)患者性别-年龄-生理学指标分期(GAP)高低分级。方法 回顾性纳入2016年6月至2021年12月于河南中医药大学第一附属医院就诊的174例IPF稳定期患者为研究对象。严格按照IPF诊断标准进行诊断。所有患者均接受吡非尼酮治疗,部分患者加用本院特色治疗方案隔药物饼灸。搜集所有入组患者治疗前的临床信息指标,肺功能指标,以及治疗前的GAP分级;所有患者均在治疗前行HRCT扫描。对所有患者HRCT影像的“蜂窝状”区域进行手动勾画,并提取影像组学特征,构建影像组学标签(Radscore),并联合临床指标以及肺功能指标构建联合模型。结果 共计入组174例,其中GAP低级别患者73例,GAP高级别患者101例,所有患者按照7∶3比例进行随机分层进入训练组和测试组,IPF患者在训练组和测试组中,GAP高级别患者的6分钟步行距离(6MWD)均高于GAP低级别患者的6MWD,且差异具有统计学意义。取惩罚系数Logλ=0.051构建影像组学标签Radscore时,共保留13个特征。继而纳入训练组不同GAP级别患者间具有差异的临床特征进行临床模型以及联合模型构建,训练组中,联合模型诊断效能[曲线下面积(AUC)=0.818]高于Radscore(AUC=0.801),高于临床模型(AUC=0.607);测试组中,联合模型诊断效能(AUC=0.7798)高于Radscore(AUC=0.717),高于临床模型(AUC=0.635),决第曲线分析法(DCA)分析显示联合模型的临床收益高于临床模型的收益。结论 基于HRCT提取纹理特征参数构建Radscore联合肺功能参数第1秒用力呼气量(FEV1)可协助临床预测患者的GAP分级。