Differentiating COPD and asthma using quantitative CT imaging and machine learning
Notice bibliographique
Résumé
Background There are similarities and differences between chronic obstructive pulmonary disease (COPD) and asthma patients in terms of computed tomography (CT) disease-related features. Our objective was to determine the optimal subset of CT imaging features for differentiating COPD and asthma using machine learning. Methods COPD and asthma patients were recruited from Heidelberg University Hospital (Heidelberg, Germany). CT was acquired and 93 features were extracted: percentage of low-attenuating area below −950 HU (LAA 950 ), low-attenuation cluster (LAC) total hole count, estimated airway wall thickness for an idealised airway with an internal perimeter of 10 mm (Pi10), total airway count (TAC), as well as airway inner/outer perimeters/areas and wall thickness for each of five segmental airways, and the average of those five airways. Hybrid feature selection was used to select the optimum number of features, and support vector machine learning was used to classify COPD and asthma. Results 95 participants were included (n=48 COPD and n=47 asthma); there were no differences between COPD and asthma for age (p=0.25) or forced expiratory volume in 1 s (p=0.31). In a model including all CT features, the accuracy and F1 score were 80% and 81%, respectively. The top features were: LAA 950 , outer airway perimeter, inner airway perimeter, TAC, outer airway area RB1, inner airway area RB1 and LAC total hole count. In the model with only CT airway features, the accuracy and F1 score were 66% and 68%, respectively. The top features were: inner airway area RB1, outer airway area LB1, outer airway perimeter, inner airway perimeter, Pi10, TAC, airway wall thickness RB1 and TAC LB10. Conclusion COPD and asthma can be differentiated using machine learning with moderate-to-high accuracy by a subset of only seven CT features.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».