基于HRCT的可解释性影像组学机器学习预测类风湿关节炎相关间质性肺病
RSS 订阅 · 临床放射学杂志
该研究回顾性纳入328例基线无RA-ILD的类风湿关节炎患者，构建基于全肺HRCT影像组学特征的机器学习模型预测RA-ILD发生风险。逻辑回归模型测试集AUC为0.781，联合病程和anti-CCP后AUC提升至0.858。SHAP可解释性分析提示一阶及纹理特征对预测贡献度较高，该模型可为RA患者风险分层提供辅助工具。
要点
- 全肺HRCT影像组学中一阶特征和纹理特征对预测RA-ILD风险贡献度较高
- 联合病程和抗环瓜氨酸肽抗体可将预测效能从AUC 0.781提升至0.858
- 基线无ILD的类风湿关节炎患者应关注HRCT全肺影像组学特征变化以早期识别ILD风险
核心结论
- 基于全肺HRCT的可解释影像组学机器学习模型可有效预测RA-ILD发生风险，结合临床变量可进一步提升模型性能
- 逻辑回归模型在测试集中AUC为0.781，联合病程和anti-CCP后测试集AUC提升至0.858
- SHAP可解释性分析显示一阶特征及纹理特征对RA-ILD预测贡献度较高
- 决策曲线分析显示联合模型具有良好的临床净获益
研究设计与样本
- 回顾性研究，纳入328例基线无RA-ILD的类风湿关节炎患者，按7:3分为训练集(n=229)与测试集(n=99)
- 基于全肺HRCT提取影像组学特征，经Spearman相关性分析、Mann-Whitney U检验及LASSO回归筛选特征
- 构建9种机器学习模型并比较，采用SHAP方法对最优模型进行可解释性分析
- 运用AUC、校准曲线及决策曲线分析评估预测效能
诊断标准与关键数值
- 逻辑回归影像组学模型训练集AUC为0.804，测试集AUC为0.781
- 联合病程和anti-CCP的模型训练集AUC为0.866，测试集AUC为0.858
临床应用与阅片要点
- 对基线无ILD的类风湿关节炎患者进行HRCT随访时，可提取全肺影像组学特征辅助评估ILD发生风险
- 结合病程长短和anti-CCP水平可提高对RA-ILD风险的预测准确性
- SHAP可解释性分析有助于理解影像组学特征对预测结果的贡献，提高模型临床应用可信度
局限性
- 回顾性研究设计存在选择偏倚
- 单中心研究，模型泛化性需在多中心队列中验证
原文图文
目的 构建并验证基于高分辨率CT（HRCT）的可解释影像组学机器学习模型,预测类风湿关节炎相关间质性肺病（RA-ILD）发生风险。 方法 回顾性纳入328例基线无RA-ILD的类风湿关节炎患者,按7∶3分为训练集（ n =229）与测试集（ n =99）。提取全肺HRCT影像组学特征,经 Spearman 相关性分析、 Mann-Whitney U 检验及LASSO回归筛选特征,构建9种机器学习模型,采用SHAP方法对最优模型进行可解释性分析。在此基础上,结合临床危险因素构建联合模型,运用AUC、校准曲线及决策曲线分析评估预测效能。 结果 逻辑回归影像组学模型表现出较好的泛化稳定性,训练集、测试集AUC分别为0.804、0.781;SHAP分析提示一阶及纹理特征贡献度较高。联合病程、抗环瓜氨酸肽抗体（anti-CCP）的模型预测效能进一步提升,训练集、测试集AUC分别为0.866、0.858,决策曲线分析显示其临床净获益良好。 结论 基于全肺HRCT的可解释影像组学机器学习模型可有效预测RA-ILD发生风险,结合临床变量可进一步提升模型性能,为类风湿关节炎患者个体化风险分层提供辅助评估工具。
来源：临床放射学杂志，查看原文。版权归原作者所有。
引用
- 临床放射学杂志：基于HRCT的可解释性影像组学机器学习预测类风湿关节炎相关间质性肺病
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。