基于肺参数响应图和机器学习对高危慢性阻塞性肺疾病肺功能诊断标准的初步研究

Preliminary study on diagnostic criteria of lung function based on lung parameter response mapping and machine learning for high-risk chronic obstructive pulmonary disease

二维码有效期 120s

摘要目的基于肺参数响应图(PRM)的机器学习分类模型,初步探讨诊断慢性阻塞性肺疾病(COPD)高危患者的第 1 s 用力呼气量占预计值百分比(FEV1％)最佳阈值.方法回顾性分析进行胸部疾病筛查的 615 例受试者,依据肺功能检测(PFT)分为非COPD组和COPD组,非COPD组根据不同的 FEV1％阈值分为正常组和高危组.通过双呼吸相CT图像,分别得到全肺、双肺及 5 个肺叶水平的 72 个PRM定量参数.分别分析年龄、体质量指数(BMI)及PRM参数的组间差异;将FEV1％阈值从 50％～129％,以1％为间隔,划分为 80 个阈值,在每个阈值下建立一个基于PRM的正常和高危的随机森林分类模型,并进行诊断效果分析.结果年龄、BMI在非COPD组和COPD组间差异无统计学意义(P>0.05);PRM参数中的肺体积(PRMLV)、肺气肿体积(PRMEmphV)、功能小气道疾病体积(PRMfSADV)及其百分比在非 COPD 组和 COPD 组间有统计学差异(P<0.05),并且非 COPD 组中PRMEmphV、PRMfSADV 和PRMLV 均低于COPD组(P<0.05).当 FEV1％=72％时,PRM参数和PFT在区分正常和高危 COPD的一致性较好,平均曲线下面积(AUC)为 0.83;当 FEV1％阈值取 95％及 80％时,平均 AUC 分别为 0.64、0.72.结论基于 PRM参数的机器学习模型用于诊断高危COPD是可行的,推荐 FEV1％阈值取 72％作为高危COPD的PFT诊断标准.