| 摘要: |
| 目的 探讨基于胸部高分辨 CT（HRCT）的深度学习影像组学模型对特发性肺纤维化（IPF）性别-年龄-肺生理变
量（GAP）分期的预测价值。 方法 回顾 2020 年 1 月至 2022 年 6 月浙江大学医学院附属杭州市第一人民医院诊断为 IPF 的患者
67例，根据GAP分期系统分成早期IPF（GAP Ⅰ期）40例和中晚期IPF（GAP Ⅱ/Ⅲ期）27例，所有患者均行胸部HRCT检查，在联影
智能科研平台上的深度学习模块，基于 V-net 网络进行图像自动分割，同时与人工分割比较，用 Dice 相似性系数（DSC）评估分割
模型的效能。基于自动分割结果，在影像组学模块进行影像组学分析，得到影像组学特征值，通过最小绝对紧缩与选择算子
（LASSO）回归筛选组学特征，并基于筛选出的特征系数计算每例患者的影像组学标签（Radscore），基于 Radscore 构建影像组学
模型。采用 ROC 曲线评估影像组学模型对 GAP 分期的预测效能。 结果 基于 V-net 网络的肺间质性病变的自动分割模型显示
了较好的分割效能，其 DSC 为 0.55~0.93（0.83±0.10）。影像组学分析共得到 2 400 个组学特征，通过 LASSO 回归筛选出了 8 个
组学特征，同时计算得到 Radscore 值。基于 Radscore 构建的影像组学模型对 IPF 的 GAP 分期显示了较好的预测效能，训练组
AUC 为 0.862（95%CI：0.740~0.941），灵敏度为 0.783，特异度为 0.833，准确度为 0.811；验证组 AUC 为 0.854（95%CI：0.568~
0.981），灵敏度为0.833，特异度为0.875，准确度为0.857。 结论 深度学习V-net网络在肺间质性病变的自动分割方面有较高的
分割效能，通过基于胸部HRCT的影像组学模型有望成为IPF临床分期的新定量指标，为临床医师提供合理的诊疗决策。 |
| 关键词: |
| DOI：10.12056/j.issn.1006-2785.2023.45.18.2022-3399 |
| 分类号: |
| 基金项目:浙江省医药卫生科技计划项目（2021PY066、2021KY240、2023KY162、2023KY953）；浙江省中医药科技计划项目
（2023ZL571）；杭州市生物医药和健康产业发展扶持科技专项（2021WJCY028） |
|
|
|
|
| Abstract: |
|
| Key words: |
