顶刊速看:柳叶刀子刊eClinicalMedicine IF=18.9基于深度学习框架的自动肺部CT分割和急性呼吸窘迫综合征预测

点击👆蓝字或👇名片，关注"AI与医学"

0 前言

选刊：大壮

整理：小帆，大壮

IF最新是9.6，学习一篇草稿箱里的稿子。研究使用深度学习实现了肺影响自动化分割和ARDS自动分类，适合模仿学习。

0.1 论文信息

0.2 期刊信息

0.3 研究背景

（1）急性呼吸窘迫综合征（ARDS）是一种在重症监护病房（ICU）中高发且致命的疾病。

（2）早期识别高危患者对及时干预和改善临床结果至关重要。由于ARDS复杂的病理生理机制，早期预测具有挑战性。

（3）研究利用深度学习技术对肺部CT图像进行自动分割，并预测急性呼吸窘迫综合征（ARDS）。

1 研究介绍

1.1 目的

（1）急性呼吸窘迫综合征（ARDS）在重症监护病房（ICU）住院患者中具有很高的发病率和死亡率。

（2）开发一种人工智能（AI）模型，用于自动肺病灶分割和ARDS的早期预测，以便在重症监护病房中及时进行干预。

1.2 方法

（1）本研究纳入了2018年11月至2021年11月期间在中国三家中心的共928名接受胸部计算机断层扫描（CT）检查的ICU患者。

（2）开发了一种基于深度学习的UNet Transformer（UNETR）模型框架。采用各种数据增强技术，使用医学开放网络人工智能（MONAI）框架。

（3）将深度学习框架的性能与基于Densenet的图像分类网络进行了比较，并在外部和前瞻性验证队列中进行了评估。

（4）分割性能通过Dice系数（DC）评估，预测性能通过接收者操作特性曲线下面积（AUC）、敏感性和特异性评估。

1.3 结果

（1）在验证集中，使用深度学习框架进行的分割任务达到了0.734 ± 0.137的DC。

（2）在预测任务中，基于深度学习的框架在内部验证队列、外部验证队列I、外部验证队列II和前瞻性验证队列中的AUC分别达到了0.916 [0.858–0.961]、0.865 [0.774–0.945]、0.901 [0.835–0.955]和0.876 [0.804–0.936]。

（3）在预测准确性方面，它优于基于Densenet的图像分类网络。

（4）ARDS预测模型识别出肺病灶特征和临床参数（如C反应蛋白、白蛋白、胆红素、血小板计数和年龄）是ARDS预测的重要贡献因素。

2 数据介绍

2.1 数据信息

（1）本多中心队列研究包括了来自三家医院重症监护病房（ICU）的928名患者。在整体患者群体中，ARDS（急性呼吸窘迫综合症）的发生率为29.5%（274/928）。

（2）纳入标准（符合任一即可）

被诊断为脓毒症或脓毒性休克；
经历严重创伤；
经历误吸；
被诊断为重度急性胰腺炎；
需要大量输血，定义为单次输血量超过患者自身血容量的1到1.5倍，或在1小时内输血量超过患者自身血容量的一半，或输血速率超过1.5 ml/(kg⋅min)；
被诊断为重度肺炎；
吸入有毒气体。

（3）排除标准：

年龄小于18岁；
ICU住院时间少于48小时；
无CT图像或CT图像质量低下。

（4）数据来源

①回顾性队列

医疗中心1：提供了500名患者【发生率为29.0%（145/500）】和149,508张CT切片的数据，其中350名患者的数据用于训练，150名患者的数据用于内部验证。训练组和内部验证组患者的中位年龄为67岁。

医疗中心2：提供了155名患者【发生率为30.3%（47/155）】和46,211张CT切片的数据，作为外部验证组I。

医疗中心3：提供了92名患者【发生率为34.8%（32/92）】和26,785张CT切片的数据，作为外部验证组II。

②前瞻性队列

从医疗中心1收集了181名患者【发生率为27.6%（50/181）】和54,119张CT切片的信息，用于前瞻性验证。

训练组和内部验证组患者的基线特征

2.2 方法细节

（1）ARDS的诊断

研究内容：急性症状发作、胸部影像出现双侧浸润未完全解释为积液、肺叶/肺萎陷或结节、呼吸衰竭未完全归因于心脏衰竭或液体超负荷、PaO2/FiO2比值≤300 mmHg，PEEP至少为5 cm H2O。

（2）成像预处理与CT图像手动分割

手动分割使用了3D Slicer，

分割标签选择了代表重症患者常见肺部CT病变的图像，包括磨玻璃影、实变、肺纤维化和胸腔积液。

分割结果由具有多年临床经验的资深重症医学医生进行标注和审核。

使用NVIDIA开发的医学开放网络（MONAI）框架，通过数据增强扩展数据集，提高深度学习模型的训练样本多样性。

增强过程包括尺度强度范围调整、随机裁剪、随机仿射变换、随机翻转、随机旋转和随机强度调整。

（3）自动化肺部CT分割框架

采用UNETR架构作为自动化肺部CT分割框架的基础。

在训练和评估自动化肺部CT分割框架时，使用滑动窗口推断（SWI）方法，将模型产生的分割输出重新组合，并与真实标签进行比较。

使用组合损失函数，将dice损失与加权交叉熵结合在像素级别。

使用AdamW优化器，初始学习率为1e-4，权重衰减为1e-5。

（4）肺部CT分类网络

开发一个基于DenseNet架构的3D图像分类网络。该网络使用原始未分割的CT图像作为输入，并预测ARDS的风险。

在研究过程中发展了ARDS的患者CT图像被标记为阳性样本，而未发展ARDS的患者CT图像则标记为阴性样本。

该网络使用MONAI框架实现，该框架针对高效医学影像任务进行了优化。

模型利用交叉熵损失函数进行优化，并采用Adam优化器，初始学习率为1e-4，以确保有效的学习进展。

（5）ARDS预测模型与数据整合及解释

模型开发与比较（7种）：逻辑回归（LR）、K近邻算法（KNN）、高斯朴素贝叶斯（GNB）、随机森林（RF）、极端梯度提升（XGB）、AdaBoost（ADB）和梯度提升决策树（GBDT），以预测ARDS。
肺部病变分割与3D重建：开发肺部病变分割模型，并对分割CT图像进行了3D重建
病变参数计算与数据整合：计算病变参数，将病变数据与患者的临床信息和实验室检查结果整合在一起。
模型性能评估：评估七种机器学习模型的性能，确定预测ARDS的最佳准确度模型。
结果可解释性：使用Shapley解释图可视化

3 结果

3.1 自动化肺部病变分割模型的评估

（1）自动化肺部CT分割模型在25,000次迭代中训练损失逐渐下降，表明学习过程逐步进行并趋于收敛。

（2）在测试集中，自动化分割模型的DC为0.734，表明在病变边界描绘方面相较于人类专家具有较高的准确性。

（3）肺野、磨玻璃密度、实变、肺纤维化和胸腔积液的DC值分别为：0.967 ± 0.098，0.741 ± 0.131，0.756 ± 0.157，0.629 ± 0.018，和0.701 ± 0.201。

ARDS预测自动化AI分析框架

3.2 使用量化的肺部病变参数和临床数据预测ARDS

（1）在仅使用肺部病变参数的模型中，XGB模型表现最佳，AUC为0.860，95%置信区间（CI）为0.783–0.930。

（2）在综合数据的模型中，XGB模型的表现更为优越，AUC为0.916，95% CI为0.858–0.961。

（3）将一般临床信息和实验室测试结果纳入机器学习训练数据集中，可以显著提高ARDS模型的整体预测性能。

3.3 ARDS预测模型的外部和前瞻性验证

（1）该模型在所有验证队列中均表现出强劲的性能。

（2）内部验证队列：AUC为0.916，95% CI为0.858–0.961。

外部验证队列I：AUC为0.865，95% CI为0.774–0.945。

外部验证队列II：AUC为0.901，95% CI为0.835–0.955。

前瞻性验证队列：AUC为0.876，95% CI为0.804–0.936。

3.4 ARDS预测模型的图形解释

（1）病变特征是ARDS预测的重要贡献因素。

（2）几个临床参数（如C反应蛋白（CRP）、白蛋白、胆红素、血小板计数和天冬氨酸转氨酶（AST）水平）及一般临床特征（如年龄）也在ARDS预测中发挥了重要作用。

3.5 基于Densenet的CT图像分类网络性能

（2）在内部验证集中，CT图像分类网络实现了0.796的AUC，95% CI为0.712–0.879。

（3）混淆矩阵显示了良好的预测能力，但其性能明显低于基于综合患者临床信息和实验室测试结果的ARDS预测模型。

（4）通过DeLong检验，比较了Densenet模型和XGBoost模型的AUC值，P值为0.002，表明两模型的性能存在统计学上的显著差异。

4 学习心得

（1）基于深度学习的AI模型，在自动化肺部CT图像分割和ARDS早期预测方面显示出了卓越的准确性和鲁棒性。

（2）未来的研究应关注通过联邦学习集成多中心数据，并将模型部署在边缘计算设备上，以增强其在实际应用中的适用性并改善ICU患者的预后

引用

[1]Zhou Y, Mei S, Wang J, et al. Development and validation of a deep learning-based framework for automated lung CT segmentation and acute respiratory distress syndrome prediction: a multicenter cohort study[J]. eClinicalMedicine, 2024, 75.

感谢您的阅读，如果您对这项研究感兴趣或想了解更多关于AI在医学中的应用，请继续关注我们，我们会定期分享最新的科研成果和健康资讯。别忘了点赞和转发哦！👍🔄

快来看，大壮卖艺，提供医工交叉科研服务