基于深度学习的CT量化指标在间质性肺疾病进展预测中的临床价值

摘要

目的:基于深度学习(deep learning, DL)构建一种可应用于间质性肺疾病(interstitial lung disease, ILD)的量化指标DL-ILD,并探讨其在ILD进展预测分层中的临床价值。方法:回顾性纳入112例ILD患者，基于高分辨率计算机断层扫描(high resolution computerized tomography, HRCT)构建三维U型卷积网络模型，自动识别病灶并计算DL-ILD。随访24个月后以ILD是否进展为评价指标，评估DL-ILD、视觉评分与肺功能指标的相关性，比较两种方法对预测进展及预后的效能，使用Logistic回归、ROC曲线分析、Cox回归分析及五折交叉验证进行模型验证。结果:112例ILD患者中有42例发生进展事件。DL-ILD与用力肺活量占预计值的百分比(FVC%)、一氧化碳弥散量占预计值百分比(DLCO%)均呈负相关(r=-0.762,r=-0.685,P<0.001),相关性优于视觉评分(Z=2.593,P=0.010;Z=2.598,P=0.009)。Logistic回归分析显示，DL-ILD是ILD进展的独立预测因子(OR=1.242,P=0.001),其预测效能(AUC=0.864)优于视觉评分(AUC=0.710),差异有统计学意义。高DL-ILD组1年、2年无进展生存率分别为82.1%和53.7%,显著低于低DL-ILD组的98.4%和84.6%(P<0.01)。Cox模型验证其为疾病进展的独立危险因素(HR=2.872,P=0.002)。五折交叉验证平均AUC为0.833,模型表现稳定。结论:DL-ILD可精准预测ILD疾病进展，预测效能优于传统视觉评分，且重复性与临床应用价值良好。

关键词

间质性肺病 / 深度学习 / CT成像 / 病变指数 / 疾病进展预测