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 |
| |
引用本文: | 甄涛,胡大成,姚伟,沈起钧.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[J].浙江医学,2023,45(18):1921-1926,1931. |
| |
作者姓名: | 甄涛 胡大成 姚伟 沈起钧 |
| |
作者单位: | 浙江大学医学院附属杭州市第一人民医院放射科 |
| |
基金项目: | 浙江省医药卫生科技计划项目(2021PY066、2021KY240、2023KY162、2023KY953);浙江省中医药科技计划项目
(2023ZL571);杭州市生物医药和健康产业发展扶持科技专项(2021WJCY028) |
| |
摘 要: | 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2 400个组学特征,通过LASSO回归筛选出了8个组学特征,同...
|
关 键 词: | 特发性肺纤维化 深度学习 影像组学 计算机断层摄影 性别-年龄-肺生理变量分期 |
|
| 点击此处可从《浙江医学》浏览原始摘要信息 |
| 点击此处可从《浙江医学》下载免费的PDF全文 |
|