摘要
慢性阻塞性肺疾病(chronic obstructive pulmonary disease,COPD)是一种不可逆、进行性发展的疾病，早发现和早诊断可降低疾病负担和死亡率。除了诊断之外，评估其严重程度将有助于为COPD患者提供个性化、精准化的治疗。目前，肺功能测试(pulmonary function tests,PFTs)是COPD诊断的金标准，并可对COPD进行严重程度分级，但其反映的只是整个呼吸系统功能改变，无法反映COPD的异质性。COPD的异质性体现为多种病理生理过程，包括肺实质破坏、支气管壁增厚、肺间质异常、支气管扩张、肺血管改变等。胸部计算机断层扫描(CT)可以定量测量上述病理生理异常，是表征COPD异质性最常用的成像方式。随着人工智能、大数据时代来临，放射组学(radiomics)及图卷积神经网络(graph convolution neural network,GCN)作为新兴的技术在临床中的作用得到越来越多的证实。但其在COPD诊断和严重程度分级方面的研究仍处于初始阶段。 目的：本研究利用放射组学及图卷积神经网络进行建模，用来进行COPD的识别和严重程度分级。 方法：(1)放射组学。这项回顾性研究包括322名参与者(249名COPD患者和73名对照组受试者)。在汇影大数据人工智能科研平台上从每个参与者的CT图像中提取出1395个放射组学特征。采用方差阈值法、SelectKBest法和最小绝对收缩选择算子(LASSO)三种特征选择方法筛选出最优特征，构建基于支持向量机(SVM)和逻辑回归(LR)的分类器，对322名参与者是否患有COPD以及患有COPD的严重程度进行分类。(2)图卷积神经网络。这项研究利用GCN模型在公开的丹麦肺癌筛查研究(Danish Lung Cancer Screening Trial,DLCST)公开数据库数据集上识别COPD,该数据集包含近90％的早期轻中度COPD患者。首先，将COPD识别看成图分类问题，来自同一患者的ROI相互连接，构建用于建模的图。然后采用切比雪夫多项式滤波器，将构建好的图输入到GCN模型中进行COPD识别。最后，将GCN模型同其他模型在DLCST数据集上进行比较。 结果：(1)放射组学。分别筛选出38个和10个最优特征用于构建COPD识别和COPD严重程度分级的放射组学模型。对于COPD识别，SVM分类器在训练集和测试集上的AUCs分别为0.992和0.970,LR分类器在训练集和测试集上的AUCs分别为0.993和0.972。对于COPD严重程度分级，上述两种机器学习分类器可以更好地区分严重程度较轻(GOLD1+GOLD2)组和严重程度较高(GOLD3+GOLD4)组，AUCs在训练集中分别为0.907和0.903,在测试集中分别为0.799和0.797。(2)图卷积神经网络。本文构建的GCN模型对于COPD识别达到了0.77的准确率，AUC为0.81。相比多示例学习(multiple instance learning,MIL)，LightGBM,ResNet50,VGG16,DenseNet121等模型，GCN模型达到最优结果。 结论：本研究表明，基于CT图像的放射组学方法或图神经网络的模型对于研究COPD,如疾病识别和严重程度分级，有较高的准确率，部分模型准确率超过97％,这对COPD早发现、早治疗、降低病情恶化风险、提升治疗效果，都有较高的研究意义和临床意义。
NETL