基于深度学习异常检测的胸部CT定量评估预测COPD疾病严重程度
研究利用COPDGene和COSYCONET两个多中心队列的吸气相与呼气相CT数据,构建自监督深度学习异常检测模型,将COPD相关肺部表现定义为相对于正常肺组织的异常并量化为异常评分。该模型在COPDGene内测试集AUC为84.3±0.3,在COSYCONET外测试集AUC为76.3±0.6,优于四种监督深度学习方法;异常评分与肺功能、健康状况、肺气肿/气体陷闭及急性加重相关。
要点
- 自监督异常检测模型区分低风险个体与COPD患者,COPDGene内测试集AUC 84.3±0.3,COSYCONET外测试集AUC 76.3±0.6。
- 异常评分可生成区域异常图,直观显示与正常肺组织差异明显的区域,辅助定位COPD相关病变。
- 异常评分与FEV1、FEV1/FVC、%肺气肿、%气体陷闭及急性加重、呼吸困难评分相关(p<0.001)。
核心结论
- 将COPD异质性表现量化为异常评分,较监督方法有优势,且对肺功能损害和形态学恶化具有预测价值。
研究设计与样本
- 回顾性使用COPDGene(训练/验证/测试N=3144/786/1310)和COSYCONET(外测试N=446)两个多中心队列的配对吸气/呼气CT及临床数据。
- 自监督深度学习模型从分割完整肺的50×50×50体素样本中学习语义信息,以异常检测方式量化COPD相关区域偏差。
- 对照四种监督深度学习方法:PatClass+RNN、MIL+RNN、MIL+Att、ReContrastive。
- 以线性混合效应模型评估异常评分的临床与影像学预测能力。
关键影像表现/征象
- 异常图以颜色叠加显示区域异常评分,红色代表严重程度较高,GOLD 0与GOLD 4的异常评分分布区分较明显。
- 异常评分密度图显示GOLD分级间有区分,而%肺气肿密度图GOLD分级高度重叠。
诊断标准与关键数值
- COPDGene测试集AUC:Insp-0%为83.2±0.2、Insp-20%为83.7±0.3、Insp+ExpR-0%为84.3±0.7、Insp+ExpR-20%为84.3±0.3。
- COSYCONET外测试集AUC:Insp-0%为75.8±0.2、Insp-20%为76.3±0.6、Insp+ExpR-0%为73.4±0.8、Insp+ExpR-20%为67.9±0.7。
- 异常评分解释方差:SGRQ 19%(95%CI 16,25)、6MWT 12%(95%CI 8,15)、FEV1 39%(95%CI 35,44)、FEV1/FVC 41%(95%CI 38,45)、%肺气肿28%(95%CI 23,32)、%气体陷闭40%(95%CI 37,45)。
- 异常评分每增加1个标准差,SGRQ标准差增加0.44,6分钟步行距离标准差降低0.31倍,FEV1或FEV1/FVC标准差降低0.60。
- 异常评分每增加1个标准差,%肺气肿和%气体陷闭增加0.27个标准差。
临床应用与阅片要点
- 异常评分可作为定量CT指标,辅助评估COPD患者肺功能损害和形态学改变,并可生成区域异常图定位病变。
- 异常评分与急性加重史和呼吸困难评分相关,可能有助于临床严重程度分层。
- 仅用吸气相CT时模型仍保持较好性能,加入呼气相CT对体素级监督方法在COPDGene有显著提升,但在COSYCONET未观察到该效应。
局限性
- 原文未报告局限性。
全文中译13 节 · 点击展开
引言
慢性阻塞性肺疾病(COPD)影响全球约10.3%的人口[1]。然而,相当一部分个体仍未得到诊断[2],主要原因在于临床检查和肺功能测定的局限性[3],无法捕捉该疾病的异质性表现。这些表现的范围可从以气道受累为主到以肺实质损伤和丢失为主。定量CT成像已成为一种潜在的诊断工具[4],为COPD的表现提供了有价值的见解[5, 6]。然而,由于COPD相关表现的可变性和不均匀分布,对这些患者CT图像的分析和解读具有挑战性。
近年来,已有研究提出监督式深度学习方法(DL)来协助医生研究COPD的各种影像学特征[7–10]。遗憾的是,监督式方法在捕捉COPD表现的全谱并将其在训练数据中表征方面面临局限性。实际上,这似乎很困难,且通常导致泛化能力不佳。此外,这些方法依赖于获取局部和全局标签,而标签的获取可能困难且带有主观性。此外,以往的深度学习方法主要集中于利用深吸气时的单张CT图像,忽视了纳入深吸气CT扫描作为小气道炎症替代标志物的潜在益处[11, 12]。虽然大规模队列研究为此目的纳入了呼气相CT扫描,但其对深度学习方法在COPD诊断中的价值尚未被探索。
为解决现有监督式方法的局限性,本研究采用了一种自监督对比预训练模型深度学习方法。与监督式学习不同,自监督学习不需要对预定义特征进行标注。相反,它利用数据中固有的模式或关系(如图像之间的相似性)来创建自己的训练标签并学习有用的表征。我们的假设是,通过利用外观正常的肺区域内的固有相似性并识别偏离这些特征的区域,可以在不显式学习所有可能的图像特征的情况下检测COPD区域。通过这种方法,病变肺实质的谱系被隐式地捕捉为相对于健康受试者(从不吸烟对照)或轻微疾病患者(GOLD 0级,无气流受限且无/或轻微肺气肿)中所见特征的异常[13]。本研究将所提出的自监督异常检测方法与最先进的监督式方法进行比较,探索在不同输入配置下纳入呼气相CT扫描的潜在附加价值,并有助于在两个全国性队列中深入理解其临床意义。
材料与方法
研究队列
回顾性使用了两个多中心队列:COPDGene(慢性阻塞性肺疾病遗传流行病学)和COSYCONET(COPD与全身后果-共病网络)。COPDGene研究(ClinicalTrials.gov标识符:NCT00608764)[14]于2008年至2011年间招募了自我报告为现吸烟或曾吸烟的非西班牙裔白人和非洲裔美国人(≥ 10包年),年龄45–80岁。COSYCONET影像子研究(ClinicalTrials.gov标识符:NCT02629432)[15]于2010年至2013年间招募了根据慢性阻塞性肺疾病全球倡议(GOLD)标准[16]诊断为COPD或慢性支气管炎的个体,年龄40岁及以上。两项研究均采集了吸气相(Insp)和呼气相(Exp)配对胸部CT、肺功能检查(PFT)和问卷。重建方案具有可比性,但CT采集的最大剂量水平不同(COSYCONET为3.5 mSv,COPDGene为10 mSv)。CT方案的更多细节见补充材料S1。
为考虑患有COPD的非洲裔美国人与非西班牙裔白人之间在健康结局和生活质量方面的差异[17–19],从COPDGene中方便地选取了自我报告为非西班牙裔白人的人群,以匹配COSYCONET的种族构成。
排除标准和研究设计见图1A和B。
“对照”类定义为无气流阻塞的个体,即第1秒用力呼气容积(FEV1)与用力肺活量(FVC)比值等于或大于70%。该类别包括从不吸烟对照和GOLD 0个体,这些人均不符合COPD诊断的完整标准。根据队列研究的纳入标准,这些个体不存在其他肺部疾病。
“患病”类定义为具有COPD临床表现和气流阻塞(FEV1/FVC < 70%)的个体,对应于GOLD 1–4。
获得了书面知情同意,研究方案经各临床中心审查委员会批准。
预处理
DL模型的输入为3D ROI(图像块),分别从单次Insp扫描或双通道Insp和配准后Exp(ExpR)CT扫描中提取,覆盖每个个体分割肺实质体积的> 70%。所选图像块大小为503个体素(50 × 50 × 50体素),旨在覆盖次级肺小叶的典型大小,即肺结构的基本单位[20]。实施了两种图像块重叠策略(0%和20%),并应用于Insp CT(1通道)和Insp + ExpR(2通道),产生四种不同的输入图像块配置以供测试。
为确保从“对照”类个体中提取的图像块能代表健康肺区域,在获取表现正常肺的代表性分布模型时,仅纳入肺气肿程度低于1%的个体。进一步的预处理细节见补充材料S2和补充图1。
将COPD分类作为分布外异常检测(cOOpD)
对每位患者i,从单次或配对CT扫描X中获取B个三维肺图像块序列。使用训练好的自监督对比编码器zi = f(xi),为每个图像块获得潜在表示,每位受试者最多随机选择100个图像块。每位受试者最多100个图像块的设定基于既往实验,这些实验表明使用每位受试者所有可用图像块只会引入冗余,同时增加计算成本。然后,通过生成模型p(z)学习对照个体所有图像块正常表示的分布,并识别异常(假定来源于COPD),赋予其定义为负对数似然的异常评分s(xi) = − log(p(f(xi)))。通过聚合所有图像块级评分获得患者级评分S(X),随后用于预测二分类类别(“对照” vs “患病”类别)。最终聚合策略基于验证集上三次运行中所有输入配置(Insp 0%、Insp 20%、InspExpR 0%、InspExpR 20%)下最高的受试者工作特征曲线下面积(AUC)来选择。这些步骤在[13]和补充材料S3–5中详述,并在图2中展示。
对比方法
将四种已建立的监督深度学习方法与cOOpD进行比较,详见补充材料S-6:三种基于体素的方法(使用循环神经网络的端到端图像块分类器[PatClass + RNN]、以RNN作为聚合的多实例学习[MIL + RNN]、基于注意力的MIL[MIL + Att])和一种基于表示的方法[ReContrastive]。
统计分析与临床预测
COPD二分类的主要评价指标为AUC(更多细节见补充材料S-7)。
为探索性目的,对每个数据集独立进行双因素方差分析,以评估方法、输入配置及其交互作用对主要性能指标的影响。随后进行Tukey事后检验,以评估各方法与输入配置之间的多重两两比较。
采用线性混合效应模型(LMM)基于cOOpD异常评分(S(X))预测临床参数和影像学特征,并校正年龄、性别、体重指数(BMI)、吸烟状态(0:从不吸烟对照,1:既往吸烟,2:当前吸烟)、吸烟年限以及研究中心作为随机项。临床参数包括:圣乔治呼吸问卷(SGRQ)、6分钟步行试验(6MWT)、FEV1或FEV1/FVC。影像学特征为肺气肿百分比(%Emphysema)或气体潴留百分比(%Air Trapping),分别由Vida Diagnostics(Coralville, IA)测量(用于COPDGene)和YACTA测量[21–23](用于COSYCONET)。由于这些影像学特征呈偏态分布,采用了对数变换。我们报告了校正回归变量数量后的总体条件决定系数(R2),以及解释变异的个体R2分解。森林图展示了每个模型中固定项的标准化β系数(估计值)。95%置信区间(CI)和p值采用Wald t分布近似计算。通过与嵌套基线方法比较,采用嵌套模型的似然比检验评估异常评分的附加价值。此外,为检验异常评分是否提供超越形态学肺部改变之外的额外信息,在预测肺功能检查(PFT)时,模型还额外校正了%Emphysema和%Air Trapping。
还分析了异常评分对COPD结局的预测能力,即过去一年内报告的严重急性加重(Wilcoxon秩和检验)和呼吸困难,采用改良医学研究委员会(mMRC)呼吸困难量表(Jonckheere-Terpstra检验)。
统计分析使用R软件(版本4.2.3;R Foundation for Statistical Computing)进行。p值<0.05被认为具有统计学意义,并采用Holm-Bonferroni方法进行多重比较校正。
所用代码可在GitHub公共仓库获取(https://github.com/MIC-DKFZ/cOOpD)。
结果
临床特征
表1展示了训练集和测试集的人口学数据、功能参数和影像学指标。自监督前置任务训练队列由3144名COPDGene参与者组成,其中63名从不吸烟者和1310名GOLD 0符合上述“对照”类别的标准。该组中表现健康的样本用于获取“对照”肺的代表性分布模型。这些受试者全肺肺气肿和气体潴留的平均百分比分别为2.5%和11.7%。这与先前发表研究中的低风险组和对照组被认为是—致的[24–26]。
内部测试队列由1310名COPDGene参与者组成(692名男性,618名女性),平均年龄63岁(四分位距[IQR] 56–69)。外部测试队列由446名COSYCONET参与者组成(272名男性,174名女性),平均年龄63岁(IQR 58–69)。
COPD二分类及纳入呼气相CT的影响
我们考察了所有模型和所有输入配置在内部和外部测试集上的平均性能(图3)。在COPDGene上,我们提出的模型(cOOpD)取得了最佳平均性能,Insp-0%、Insp-20%、Insp + ExpR-0%和Insp + ExpR-20%的AUC分别达到83.2 ± 0.2、83.7 ± 0.3、84.3 ± 0.7和84.3 ± 0.3。所有方法在外部测试集(COSYCONET)上的性能均略有下降,但所提出的方法仍然表现最佳,Insp-0%、Insp-20%、Insp + ExpR-0%和Insp + ExpR-20%的AUC分别达到75.8 ± 0.2、76.3 ± 0.6、73.4 ± 0.8和67.9 ± 0.7(补充表3)。
出于探索性目的,评估了方法、输入配置及其交互作用对总体性能的影响(表2)。对于两个数据集(COPDGene和COSYCONET),我们发现平均AUC在方法、输入配置及其交互作用方面均存在统计学显著差异。
Tukey事后检验显示,对于两个测试集,无论输入配置如何,我们提出的方法平均而言均比其他所有方法获得更高的AUC评分(p < 0.001)。
另一方面,加入ExpR的效果仅在COPDGene上对体素级监督方法(MIL + Att、MIL + RNN、PatClass + RNN)显示出平均而言的统计学显著改善(p < 0.001)。当应用于COSYCONET的数据时,这一效果不再观察到。
后续分析针对获得较高平均AUC和较低标准差的配置(InspExpR-20%)进行。
异常图的可视化
图4显示了代表性冠状位CT视图,并叠加了InspExpR-20%和Insp-20%(作为参考)获得的patch级异常评分,用以说明某些肺区域与正常表现区域的分化程度。为可视化目的应用了最小–最大归一化,对应于相应测试集的第5和第95百分位数。
临床和影像学预测价值:COPDGene
加入异常评分在统计学上改善了所有LMM对临床和影像学指标的预测拟合(每项p < 0.001)(表3)。针对%肺气肿校正或针对%空气潴留校正以预测PFT的类似模型,也因加入异常评分作为预测因子而受益(6MWT、FEV1、FEV1/FVC,每项p < 0.001)。这表明异常评分所包含的信息超出了%肺气肿或%空气潴留所提供的形态学信息。
此外,加入异常评分后所有模型的解释力(R2)均增加,其中在预测影像学特征方面观察到最显著的改善。与其他预测因子相比,异常评分在所有模型中具有最高的个体解释方差(补充表4)。具体而言,它分别解释了SGRQ、6MWT、FEV1、FEV1/FVC、%肺气肿和%空气潴留方差的19%(95%CI 16, 25)、12%(95%CI 8, 15)、39%(95%CI 35, 44)、41%(95%CI 38, 45)、28%(95%CI 23, 32)和40%(95%CI 37, 45)。
如图5所示,BMI、吸烟持续时间和异常评分与预测SGQR呈正相关。异常评分每增加一个标准差(SD),SGRQ的SD增加0.44。对于6MWT,BMI、年龄、吸烟持续时间和异常评分越低,患者可行走的距离越远。女性患者的这一距离低于男性患者。在此,异常评分每增加一个SD,患者6分钟可行走距离的SD减少0.31倍。对于FEV1,较长吸烟持续时间和较高异常评分的影响均与低FEV1显著相关。性别或BMI未发现统计学显著差异。对于FEV1/FVC,趋势相似,但BMI例外,其呈正相关。对于两项肺功能测量,异常评分每增加一个SD与FEV1或FEV1/FVC的SD减少0.60相关,几乎是吸烟持续时间SD每减少一个单位的四倍。
对于影像学特征,较低的BMI和较高的异常评分与较高的%肺气肿和%空气潴留显著相关。女性患者的这两项指标均显著低于男性患者。异常评分每增加一个SD与%肺气肿和%空气潴留增加0.27个SD相关。这一关系在图6A和B中进一步突出显示,其中展示了异常评分与%肺气肿和%空气潴留的分布。按GOLD分期着色的异常评分密度图(上)显示GOLD分级之间存在区分,尤其是GOLD 0和4。这种区分在%肺气肿密度图中不再明显,因为GOLD分级高度重叠。
最后,异常评分与COPD症状的加重相关。过去一年中报告重度急性加重的患者具有更高的异常评分(p < 0.001)(图6C)。呼吸困难评分的增加也与更高的异常评分相关(p < 0.001)(图6D)。
临床和影像学预测价值:COSYCONET
加入异常评分在统计学上改善了所有LMM模型的拟合(各自p < 0.001),但SGRQ除外。解释力遵循与COPDGene相同的趋势,尽管较弱(补充表5)。各预测因子的个体解释方差(补充表6)和标准化β森林图(补充图2)与之前报告的结果一致:较高的异常评分与较高的SGRQ、更严重的肺气肿和气体潴留(补充图3A、B)以及较短的步行距离和肺功能下降相关。同样,过去一年中报告重度急性加重的患者具有更高的异常评分(p < 0.001),但呼吸困难评分的增加不再与更高的异常评分相关(补充图3C、D)。
讨论
在本研究中,我们将COPD二分类重新表述为异常检测任务。我们利用COPD的异质性,通过对低风险“对照”个体的“正常”肺组织特征进行建模,并将偏离识别为提示受损区域的异常。我们基于自监督对比深度学习方法,在两个队列中优于监督分类模型:COPDGene(AUC 84.3 ± 0.3,p < 0.001)和COSYCONET(AUC 76.3 ± 0.6,p < 0.001)。该异常检测任务仅基于区分COPD患者与健康个体以及疾病极轻、肺气肿极轻且无气流受限的个体(GOLD 0)进行训练,这基本上是一个二分类决策。然而,即使在训练期间从未向模型提供疾病严重程度信息(如GOLD分级),它仍能够产生异常评分,该评分在定量上与广泛的临床变异性一致,包括与COPD相关的症状、肺量计检查和影像学表现。
在临床上,我们的研究具有三点重要意义。
首先,我们证明即使未纳入呼气相图像,我们提出的对比任务似乎仍然稳健。其附加价值以性能指标的差异进行量化,并与基于体素的方法进行对比,后者严重依赖标注数据,且在纳入呼气相图像后对COPDGene显示出显著改善。对于我们的对比任务模型即使在仅限吸气相图像而非同时使用吸气和呼气相图像时仍保持稳健的一种可能解释是,最小风险组(在本研究中定义为“对照”)中小气道疾病以及呼气相CT图像上相继发现(即气体陷闭)的患病率已经较高。这可能缩小了与“疾病”组之间的差异,尤其是对于与呼气相CT图像相关的特征。然而,这似乎不太可能,因为在上述用于建模正常肺分布的“对照”类别中,全肺容积中肺气肿和气体陷闭的平均患病率分别为5.5%和11.7%。这些发现与健康肺在其相应年龄段的预期临床影像学特征一致。在一项COPD研究中,Lv等[26]报告在86名FEV1/FVC ≥ 80%的低风险个体队列中,平均肺气肿百分比为5.92%,气体陷闭百分比为14.32%。同样,在一项哮喘患者研究中,Busacker等[25]报告26名健康对照(肺功能正常且乙酰甲胆碱支气管激发试验阴性)的气体陷闭百分比为12.3%。我们的发现与这些既定的正常肺特征基准密切一致。因此,与最小风险组(“对照”)呼气相CT上可能存在的轻微发现相关的偏倚——该偏倚可能降低我们的自监督对比深度学习方法区分两组的效能——似乎不太可能。进一步的证据来自以下事实:在用于比较的基于体素的深度学习模型中,确实观察到纳入呼气相CT扫描后模型性能的改善。
其次,每位受试者生成的异常评分图能够即时识别异常区域。这在临床上可能有用,有可能作为一种警示工具,用于病例发现场景,供放射科医生进一步检查。
第三,患者层面的异常评分可作为临床替代标志物或生物标志物,为COPD的异质性提供有价值的见解。我们表明,这些评分可预测临床和放射学特征,增强对其实际意义的理解,并改善步行距离、呼吸功能、%肺气肿和%气体陷闭等参数的线性混合效应模型拟合(p < 0.001)。此外,较高的异常评分与严重急性加重、呼吸困难评分及其他疾病相关因素相关(p < 0.001)。一方面,需要进一步研究以评估异常评分在疾病急性加重的检测和定量评估中的临床价值;另一方面,也需要评估其在个体患者疾病表现随访中的临床价值。
已知形态学变化与PFTs之间的相关性有限[27]。我们已经表明,在预测PFTs时,将异常评分添加到针对%肺气肿或%气体陷闭校正的模型中是有益的(p < 0.001),这对于标准剂量(COPDGene)和低剂量场景(COSYCONET)均是如此。我们假设异常评分纳入了形态学之外的信息,克服了PFTs受其他潜在疾病(如支气管阻塞)损害的局限性。
据我们所知,尚无其他工作开发出能够量化与典型健康受试者偏离程度的患者层面或区域层面异常评分。大多数研究侧重于利用深度学习特征对胸部CT进行二分类。例如,González等[7]在COPDGene上使用2D-CNN实现了85.6%的AUC,而Tang等[8]在PanCan上使用更复杂的网络和多通道切片将其提高至88.9%。Singla等[9]提出了一种带有注意力的自编码器用于COPD结局预测(AUC 82%),并建议使用显著性图进行可解释性分析。Sun等[10]使用MIL + Att策略检测COPD(AUC 93.4%)并对GOLD分期进行分类,但缺乏与临床信息的相关性,且数据集未公开。最近,Park等[28]开发了一种DL模型,使用低剂量CT扫描预测肺功能,FEV1的一致性相关系数达到0.91。然而,这些个体来自健康筛查服务,大多无呼吸系统疾病。当仅在高危组(FEV1/FVC < 0.70)中评估时,该模型显示出相当低的敏感性(61.6%)。Li等[29]在其DL模型中纳入了体素到体素匹配,在SPIROMICS数据集中识别出七个“因子”。F0和F4分别被强调为健康风险者和GOLD3-GOLD4局部异常的替代标志物,回归模型解释了FEV1变异的59%和FEV1/FVC变异的66%。F0和F4与%肺气肿(r = 0.54,r = 0.51)和气体陷闭%(r = 0.73,0.56)呈正相关。我们的结果与先前报道的结果非常一致,尤其是与Li等的回归结果(COPDGene:FEV1、FEV1/FVC的R2 = 49%和R2 = 54%;%肺气肿和%气体陷闭的r = 0.65和r = 0.74)。
所提出的方法不同于上述研究,它利用COPD的固有异质性,通过从“对照”组中检测异常来实现。我们不依赖需要大量训练数据的监督方法[7–10, 28],也不依赖需要选择特定因素和嵌入的无监督方法[29],而是采用一种简单的、不依赖特定假设的自监督深度学习(DL)方法。两种表现最佳的方法(cOOpD和ReContrastive)均采用了自监督DL。与既往工作[13, 30]一致,这支持了以下假设:从体素转向表征时性能更佳,因为表征信息更丰富且维度更低。此外,对COPDGene“对照”组的影像特征(即自监督表征)进行建模,似乎为检测患者扫描中的异常以及提高该方法的泛化性提供了合适的基础。正如预期,在COSYCONET测试数据集上性能有所下降,但异常评分与临床和影像学特征的关联与COPDGene测试集中所见相同。高度的类别不平衡、不同的队列纳入标准以及CT方案的差异(即剂量差异)可能是这种差异的来源。尽管如此,异常评分与临床和影像学特征的关联仍与COPDGene测试集中所见相同,这可被认为提示了该方法的泛化性。
我们研究的若干局限性需要讨论:尽管我们避免了对所有数据进行标注的需求,但我们的方法仍然需要定义一个正常个体群体,在本研究中该群体由健康的从不吸烟个体以及疾病极轻、肺气肿极轻且无气流受限的个体(GOLD 0)组成。作为减少由此产生潜在偏倚的措施,我们仅纳入肺气肿小于1%的区块,以排除存在一定程度的肺损伤区域。此外,值得注意的是,组建一个与COPDGene训练数据集中病例规模相当的真实健康人群面临重大挑战。在我们研究的背景下尤其如此,因为研究需要配对的吸气相和呼气相CT扫描。此类扫描涉及辐射负担,对健康个体而言可能不具备伦理合理性,进一步增加了理想对照组招募的复杂性。最后,本研究聚焦于COPD;因此,该方法在其他肺部和血管疾病中的性能无法预测。有必要进一步研究其对其他疾病实体的适用性。
总之,我们证明了将COPD识别为偏离正常状态是可行的。所生成的区域异常评分提供了局部偏差的可视化表征,并有可能作为替代标志物来解析COPD表型以及早期识别高危个体。受试者层面的异常评分提供了一种可解释的指标,可解释常见的临床和影像学表现。未来工作将聚焦于对其他数据集和肺部疾病的泛化性,以及纵向分析。
补充信息
以下是电子补充材料的链接。补充文件1(PDF 749 KB)
引用
- Almeida SD, Norajitra T, Lüth CT, et al. Prediction of disease severity in COPD: a deep learning approach for anomaly-based quantitative assessment of chest CT. Eur Radiol. 2023. PMID: 38150075. doi:10.1007/s00330-023-10540-3
- 全文:PMC11213737(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11213737/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。