Quantitative CT Imaging Features Associated with Stable PRISm using Machine Learning
Notice bibliographique
Résumé
Rationale and Objectives The structural lung features that characterize individuals with preserved ratio impaired spirometry (PRISm) that remain stable overtime are unknown. The objective of this study was to use machine learning models with computed tomography (CT) imaging to classify stable PRISm from stable controls and stable COPD and identify discriminative features. Materials and Methods A total of 596 participants that did not transition between control, PRISm and COPD groups at baseline and 3-year follow-up were evaluated: n = 274 with normal lung function (stable control), n = 22 stable PRISm, and n = 300 stable COPD. Investigated features included: quantitative CT (QCT) features (n = 34), such as total lung volume (%TLC CT ) and percentage of ground glass and reticulation (%GG+Reticulation texture ), as well as Radiomic (n = 102) features, including varied intensity zone distribution grainy texture (GLDZM ZDV ). Logistic regression machine learning models were trained using various feature combinations (Base, Base+QCT, Base+Radiomic, Base+QCT+Radiomic). Model performances were evaluated using area under receiver operator curve (AUC) and comparisons between models were made using DeLong test; feature importance was ranked using Shapley Additive Explanations values. Results Machine learning models for all feature combinations achieved AUCs between 0.63–0.84 for stable PRISm vs. stable control, and 0.65–0.92 for stable PRISm vs. stable COPD classification. Models incorporating imaging features outperformed those trained solely on base features (p < 0.05). Compared to stable control and COPD, those with stable PRISm exhibited decreased %TLC CT and increased %GG+Reticulation texture and GLDZM ZDV . Conclusion These findings suggest that reduced lung volumes, and elevated high-density and ground glass/reticulation patterns on CT imaging are associated with stable PRISm.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».