| 基于CT影像组学的机器学习融合模型鉴别诊断儿童新型冠状病毒性肺炎与其他病毒性肺炎的应用研究 |
| |
| 引用本文： | 李海燕,李志强,徐树明.基于CT影像组学的机器学习融合模型鉴别诊断儿童新型冠状病毒性肺炎与其他病毒性肺炎的应用研究[J].CT理论与应用研究,2023(3):323-330. |
| |
| 作者姓名： | 李海燕 李志强 徐树明 |
| |
| 作者单位： | 1. 山西省儿童医院(山西省妇幼保健院)CT室;2. 太原市妇幼保健院(太原市儿童医院)放射科 |
| |
| 基金项目： | 山西省卫生健康委员会科研项目(基于机器学习的融合模型在儿童新型冠状感染性肺炎诊疗体系开发中的应用研究(2023XG041))。 |
| |
| 摘 要： | 目的:探讨基于CT影像组学的机器学习融合模型鉴别诊断儿童新型冠状病毒感染与其他病毒性肺炎的应用研究。方法:回顾性分析18岁以下2022年12月至2023年2月山西省儿童医院及太原市妇幼保健院核酸检测新型冠状病毒阳性肺炎并接受胸部CT扫描的49例患儿的临床和影像资料,同时回顾性分析2020年1月至2023年1月山西省儿童医院核酸检测新型冠状病毒阴性但感染其他单种病毒的病毒性肺炎98例患者的临床及影像资料。从首次平扫胸部CT图像中提取出病毒性肺炎影像组学特征,结合临床资料分析,建立影像组学模型、临床组学模型和融合模型。通过受试者操作特征(ROC)曲线、校准曲线和决策曲线分析各种模型的诊断性能。结果:影像组学模型在训练集中鉴别诊断COVID-19组和非COVID-19组的ROC曲线下面积(AUC)为0.854,灵敏度为86.1%,特异度为75.2%,准确度为84.3%;在测试集中鉴别诊断COVID-19组和非COVID-19组的AUC为0.839,灵敏度为84.6%,特异度为72.1%,准确度为86.4%。临床组学模型在训练集中鉴别诊断COVID-19组和非COVID-19组的AUC为0.829,灵敏度为73.5%,特异度为86.4%,准确度为75.3%;在测试集中鉴别诊断COVID-19组和非COVID-19组的AUC为0.821,灵敏度为70.4%,特异度为75.1%,准确度为70.7%。融合模型在训练集中鉴别诊断COVID-19组和非COVID-19组的AUC为0.878,灵敏为73.4%,特异度为75.4%,准确度为75.3%;在测试集中鉴别诊断COVID-19组和非COVID-19组的AUC为0.865,灵敏度为78.5%,特异度为87.5%,准确度为70.7%。结果显示训练集和测试集中融合模型较单独影像组学模型、临床组学模型均具有正向改善能力。校准曲线表明,训练集和测试集中,融合模型预测COVID-19的概率与观察值之间具有良好的一致性;决策曲线显示融合模型可获得较好净收益。结论:基于CT影像组学的机器学习建立融合模型可鉴别诊断儿童COVID-19与其他病毒性肺炎。
|
| 关 键 词： | 体层摄影术 影像组学 融合模型 新型冠状病毒感染 |
| 本文献已被 维普 等数据库收录！ |
|
