基于辅助呼吸肌群平扫CT的AECOPD重症预测机器学习模型构建

摘要

针对慢性阻塞性肺疾病急性加重（AECOPD）患者危重症早期识别困难这一问题，提出一种基于辅助呼吸肌群平扫CT的影像组学-临床融合模型，用于预测AECOPD患者的病情是否危及生命。回顾性研究233例AECOPD患者，其中不危及生命组153例，危及生命组80例。按照4:1比例将患者分为训练集（n=186）和测试集（n=47）。本文从放射科医生勾画的患者平扫CT图像竖脊肌和胸肌区域中提取了1 874个影像组学特征，并采用最大相关最小冗余（mRMR）和最小绝对收缩和选择（LASSO）算法筛选影像组学特征。同时，对临床资料分析采用t-test检验和LASSO算法筛选。将筛选的特征输入到支持向量机（C-SVC）、逻辑回归（LR）、随机森林（RF）、自适应增强（AdaBoost）、分布式梯度提升（XGBoost）分类器分别构建影像组学模型、临床模型、影像组学-临床融合模型。在测试集中通过受试者工作特征曲线（ROC）及曲线下面积（AUC）和决策曲线分析评估模型的预测效能和临床实用性。其中，XGBoost分类器构建的影像组学-临床融合模型均优于影像组学模型和临床模型，在测试集中的AUC为0.902(95%CI:0.846～0.994)，准确率、灵敏度、特异度、精确度分别为0.837、0.933、0.786、0.7。结果表明基于辅助呼吸肌群平扫CT的影像组学-临床融合模型在测试集上表现出良好的诊断性能，对实现AECOPD患者分层管理和重症干预前移具有重要实践意义。

关键词

辅助呼吸肌群 / 平扫CT / 影像组学 / 机器学习 / 慢性阻塞性肺疾病急性加重严重程度分级