摘要
【目的】 探讨基于CT影像组学模型在预测慢性阻塞性肺疾病患者预后的研究价值，比较不同机器学习构建的模型效能，选出最优模型。 【方法】 回顾性分析了2019年01月至2021年02月就诊于广东医科大学附属医院的慢性阻塞性肺疾病(ChronicObstructivePulmonaryDiseaseCOPD)患者，并根据就诊后一年内急性加重次数将患者分为两组，其中非急性加重组（急性加重次数＜2次/年）73例，急性加重组（急性加重次数≥2次/年）61例。所有患者在治疗前均接受标准高分辨率胸部CT扫描检查。在保证图像质量的前提下，将所有患者胸部CT肺窗影像以DICOM(DigitalImagingandCommunication)格式导入LungKit(Version2.2.0)软件内，使用统一参数对图像进行标准化，并利用软件自动分割功能选取全肺及气管为感兴趣区域(RegionOfInterestROI)，人工核对分割无误后将标准化图像及ROI以随机相同名字保存。使用ArtificialIntelligenceKit(Version3.3.0)将标准化胸部CT图像与ROI匹配，自动提取大量定量影像特征。将所有患者原始特征汇总并根据一年内急性加重次数分组后，导入IPMs(InstituteofPrecisionMedicinestatics)数据分析平台，以7：3比例随机将数据分为训练集及测试集。依次选择Variance筛选法（根据方差筛选,方差大于选定值的自变量被保留），Correlation_xx筛选法（根据自变量与自变量的相关系数筛选，多个自变量的相关系数大于选定值时，保留一个）及梯度提升树多因素特征筛选方法（采用梯度提升决策树模型分析，保留对分类贡献大的自变量）对特征降维并选出最优特征，最终有13个特征被保留。将降维后特征用于机器学习以构建逻辑回归、支持向量机、贝叶斯、K-近邻、决策树及随机森林模型，对比各个模型的正确率、召回率、精度、f1度量、受试者工作特征曲线(receiveroperatingcharacteristic,ROC)及受试者工作特征曲线下面积(areundercurve,AUC)比较构建模型的效能，选出最优。 【结果】 依次使用Variance筛选法、Correlation_xx筛选法及梯度提升树多因素特征筛选方法后，最终剩余最优特征13个，所有特征均为高阶特征(lbp-3D-k_firstord-er_RootMeanSquared,lbp-3D-k_gldm_SmallDependenceHighGrayLevelEmp-hasis,lbp-3D-m2_firstorder_Skewness,wavelet-HHH_glszm_GrayLevelNonUniformityNor-malized,wavelet-HHH_glszm_ZoneEntropy,wavelet-LLH_firstorder_Kurtosis,wavelet-LLH_firs-torder_Maximum,wa-velet-LLL_firstorder_Kurtosis,wavelet-LLL_firstorder_Minimum,wavelet-LLL_glcm_ClusterS-hade,wavelet-LLL_gldm_DependenceNonUniformity,wavelet-LLL_gldm_LargeDependenceHi-ghGrayLevelEmphasis,wavelet-LLL_glszm_SmallAreaEmphasis)。在构建预测COPD患者预后的6种模型中，测试集AUC分别为0.691（逻辑回归），0.781（支持向量机）,0.644（贝叶斯）,0.604(K-近邻)，0.814(随机森林)，0.608(决策树)，其中以随机森林模型预测效能最好，AUC=0.814，敏感度为0.833，特异性为0.708。 【结论】 基于CT影像组学在预测慢性阻塞性肺疾病患者的预后方面有较大的应用前景，所构建的模型具有临床可接受的效能，在临床工作中预测慢性阻塞性肺疾病预后有较大的潜力。
NETL