BeyondCT: 一种从胸部CT扫描预测肺功能的深度学习模型
摘要
背景：肺功能检查（PFT）和计算机断层扫描（CT）成像在肺疾病的诊断、管理和监测中至关重要。实践中的一个常见问题是尽管有可用的胸部CT扫描，却缺乏已记录的肺功能数据。目的：开发并验证一种直接从胸部CT扫描预测肺功能的深度学习算法。方法：开发队列来自 Pittsburgh Lung Screening Study (PLuSS)（n=3619）。验证队列来自 Specialized Centers of Clinically Oriented Research (SCCOR) in COPD（n=662）。一种名为 BeyondCT 的深度学习模型，结合三维（3D）卷积神经网络（CNN）和视觉Transformer（ViT）架构，用于从非增强吸气态胸部CT扫描中预测用力肺活量（FVC）和一秒用力呼气量（FEV1）。一个不含 ViT 的 3D CNN 模型用于对比。受试者人口统计学信息（年龄、性别、吸烟状态）也被纳入模型。性能使用平均绝对误差（MAE，L）、百分比误差和 与实际PFTs进行比较。结果：3D-CNN 模型对 FVC 和 FEV1 的 MAE 分别为 0.395 L 和 0.383 L，百分比误差分别为 13.84% 和 18.85%， 分别为 0.665 和 0.679。BeyondCT 模型（不含人口统计学信息）对 FVC 和 FEV1 的 MAE 分别为 0.362 L 和 0.371 L，百分比误差分别为 10.89% 和 14.96%， 分别为 0.719 和 0.727。纳入人口统计学信息后性能提升（p<0.05），测试集中 FVC 和 FEV1 的 MAE 分别为 0.356 L 和 0.353 L，百分比误差分别为 10.79% 和 14.82%， 分别为 0.77 和 0.739。结论：BeyondCT 模型在从非增强吸气态胸部CT扫描预测肺功能方面表现出稳健的性能。
引用
@article{arxiv.2408.05645,
title = {BeyondCT: A deep learning model for predicting pulmonary function from chest CT scans},
author = {Kaiwen Geng and Zhiyi Shi and Xiaoyan Zhao and Alaa Ali and Jing Wang and Joseph Leader and Jiantao Pu},
journal= {arXiv preprint arXiv:2408.05645},
year = {2024}
}
备注
5 tables, 7 figures,22 pages