Unsupervised Machine-learned Discovery of Quantitative Airway Tree Subtypes and Their Association With Chronic Obstructive Pulmonary Disease Endpoints: The Multi-Ethnic Study of Atherosclerosis Lung Study
Notice bibliographique
Résumé
Abstract RATIONALE: Central airway tree topology is established in utero and varies in the general population. Visual airway tree assessment restricted to lower lobe segmental anatomy has identified absent and accessory airways in approximately 25% of adults and these variants are associated with higher chronic obstructive pulmonary disease (COPD) prevalence later in life, including in non-smoking study participants. This study applied unsupervised machine-learning to the full CT-resolved airway tree to discover novel quantitative airway tree subtypes (QATS) and evaluated the association of QATS with COPD endpoints. METHODS: The Multi-Ethnic Study of Atherosclerosis (MESA) Lung Study includes community-dwelling adults from six U.S. sites that underwent full-lung CT at suspended inspiration, spirometry, symptom questionnaires, genotyping and follow-up for respiratory hospitalization and/or death defined by primary diagnostic code. QATS were identified by clustering participant-level deep-learned representations of airway tree structures segmented from CT. We repeated clustering on five subsets of MESA Exam 5 (80% each) and quantified QATS reproducibility using the Rand Index. QATS differences in lung structure (mean airway lumen diameter, percent wall area, branch density, and geometric complexity), and COPD endpoints (forced expired volume in 1-sec / forced vital capacity [FEV1/FVC]<0.70, Medical Research Council [MRC] dyspnea rating >1, and rate of primary respiratory-related hospitalization or death) were assessed among all participants and among never smokers using regression models to adjust for age, sex, height, body mass index, race-ethnicity, total lung volume, cigarette smoking status and pack-years. RESULTS: Among 2,588 participants (mean±SD age: 69.4±9.3 years, 54% female, 51% ever smokers with 19±24 pack-years), four QATS clusters were identified (Table) and were 95% reproducible. Compared with QATS A (prevalence 30.3%; reference cluster), QATS B (prevalence 26.4%) was associated with higher prevalence of airflow obstruction, dyspnea and a higher rate of CLRD hospitalization or death among all participants and among never-smokers; QATS C (prevalence 22.6%) was associated with higher airflow obstruction prevalence but similar prevalence of dyspnea and CLRD events; and QATS D (prevalence 20.8%) was associated with higher airflow obstruction prevalence and percent of emphysema-like lung but similar dyspnea prevalence and rate of CLRD events. CONCLUSION: Unsupervised machine-learning identified four common quantitative airway tree subtypes (QATS) that differed with respect to COPD endpoints, including, as previously, participants who never smoked. These findings suggest that central airway tree topology varies considerably in the general population and is associated with distinct COPD phenotypes.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».