Chronic lung allograft dysfunction phenotype and prognosis by machine learning CT analysis
Notice bibliographique
Résumé
BACKGROUND: Chronic lung allograft dysfunction (CLAD) is the principal cause of graft failure in lung transplant recipients and prognosis depends on CLAD phenotype. We used a machine learning computed tomography (CT) lung texture analysis tool at CLAD diagnosis for phenotyping and prognostication compared with radiologist scoring. METHODS: This retrospective study included all adult first double lung transplant patients (January 2010-December 2015) with CLAD (censored December 2019) and inspiratory CT near CLAD diagnosis. The machine learning tool quantified ground-glass opacity, reticulation, hyperlucent lung and pulmonary vessel volume (PVV). Two radiologists scored for ground-glass opacity, reticulation, consolidation, pleural effusion, air trapping and bronchiectasis. Receiver operating characteristic curve analysis was used to evaluate the diagnostic performance of machine learning and radiologist for CLAD phenotype. Multivariable Cox proportional hazards regression analysis for allograft survival controlled for age, sex, native lung disease, cytomegalovirus serostatus and CLAD phenotype. RESULTS: 88 patients were included (57 bronchiolitis obliterans syndrome (BOS), 20 restrictive allograft syndrome (RAS)/mixed and 11 unclassified/undefined) with CT a median 9.5 days from CLAD onset. Radiologist and machine learning parameters phenotyped RAS/mixed with PVV as the strongest indicator (area under the curve (AUC) 0.85). Machine learning hyperlucent lung phenotyped BOS using only inspiratory CT (AUC 0.76). Radiologist and machine learning parameters predicted graft failure in the multivariable analysis, best with PVV (hazard ratio 1.23, 95% CI 1.05-1.44; p=0.01). CONCLUSIONS: Machine learning discriminated between CLAD phenotypes on CT. Both radiologist and machine learning scoring were associated with graft failure, independent of CLAD phenotype. PVV, unique to machine learning, was the strongest in phenotyping and prognostication.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».