Machine learning models using dual-phase CT radiomics for early detection of PRISm
Notice bibliographique
Résumé
Preserved Ratio Impaired Spirometry (PRISm) is considered an early stage of chronic obstructive pulmonary disease (COPD), which may either revert to normal or progress to COPD. Therefore, early identification is crucial for improving patient prognosis. In this study, we developed multiple machine learning (ML) models based on inspiratory and/or expiratory breath-hold chest computed tomography (CT) images to identify PRISm. A total of 270 subjects were prospectively enrolled, and clinical models, radiomics models, and combined clinical-radiomics models were constructed using inspiratory, expiratory, and dual-phase CT images, respectively. The results demonstrated that combined models outperformed clinical models alone across all three phases. Among them, the logistic regression (LR)-based combined models using expiratory or dual-phase CT achieved the best performance, with comparable area under the receiver operating characteristic curve (AUC) values and superior performance to the inspiratory-phase models. Specifically, the AUCs (95% confidence intervals [CI]) of the clinical model in the training, internal, and external validation sets were 0.825 (0.750-0.900), 0.771 (0.639-0.903), and 0.778 (0.653-0.904), respectively. For the expiratory-phase combined model, the AUCs were 0.901 (0.845-0.956), 0.819 (0.680-0.957), and 0.817 (0.695-0.940), while for the dual-phase combined model, they were 0.901 (0.846-0.955), 0.821 (0.684-0.957), and 0.813 (0.694-0.932), indicating that adding inspiratory data did not significantly improve model performance. Based on these findings, we recommend that single-phase expiratory CT scans, combined with clinical features and analyzed using LR models, be prioritized in clinical practice for efficient PRISm identification, providing support for early diagnosis and timely intervention.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 | 0,001 |
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 ».