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）
（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
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
（3）自动化肺部CT分割框架
（4）肺部CT分类网络
（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！👍🔄
