基于深度学习的干氧肺功能图时间序列检测与早期预测慢性阻塞性肺疾病
机器学习
2025-03-04 v3 人工智能
摘要
慢性阻塞性肺疾病（COPD）是一种以气流阻塞为特征的慢性肺疾病。当前诊断方法主要依赖于识别肺功能图（体积-流量时间序列）中的显著特征来检测COPD，但在基于细微数据模式预测未来COPD风险方面并不擅长。本研究引入一种新颖的深度学习方法DeepSpiro，用于早期预测未来COPD风险。DeepSpiro由四个关键组件构成：SpiroSmoother用于稳定体积-流量曲线，SpiroEncoder用于通过不同长度的关键片段捕捉体积可变性模式，SpiroExplainer用于整合异构数据并通过体积注意力解释预测结果，SpiroPredictor用于基于关键片段的凹度预测未经诊断但高风险患者的疾病风险，预测时间范围可达1年、2年、3年、4年、5年或更长。评估于UK Biobank数据集，DeepSpiro在COPD检测上实现了0.8328的AUC，显示出对未来COPD风险的强大预测性能（p值<0.001）。总体而言，DeepSpiro能够有效预测COPD疾病的长期进程。
引用
@article{arxiv.2405.03239,
title = {Deep Learning for Detecting and Early Predicting Chronic Obstructive Pulmonary Disease from Spirogram Time Series},
author = {Shuhao Mei and Xin Li and Yuxi Zhou and Jiahao Xu and Yong Zhang and Yuxuan Wan and Shan Cao and Qinghao Zhao and Shijia Geng and Junqing Xie and Shengyong Chen and Shenda Hong},
journal= {arXiv preprint arXiv:2405.03239},
year = {2025}
}