导读

近期，发表在CHEST（IF：9.6）的一篇研究显示，具有慢性阻塞性肺疾病（Chronic Obstructive Pulmonary Diseases,COPD）风险的个体呈现出的异质性结构变化，可以通过CT成像特征进行量化，并结合常规危险因素分析，能显著提高对个体COPD进展的预测性能。

研究背景和目的

研究者Kalysta Makimoto及其同事表示，吸烟仍然是COPD的主要危险因素，患有COPD的吸烟者患肺癌的风险也会增加，识别吸烟者中存在COPD进展和肺功能加速下降风险的个体，可促进肺癌筛查试验中风险评估预测模型的完善，也可能实现早期治疗的启动，以潜在地减缓疾病的进展，或者选择亚组进行新的干预措施的探索。而CT可用于识别肺部结构变化，但其作为预测风险人群COPD进展的辅助工具的效果尚未得到充分研究。

因此，本研究旨在探索在吸烟个体中，结合CT成像特征、基于纹理的放射组学特征和已建立的定量CT特征与常规危险因素，通过机器学习是否能提高COPD进展的预测性能？

主要研究结果

研究人员使用基于人群的加拿大阻塞性肺病队列研究（CanCOLD）的数据，该研究包括轻度COPD患者。研究人群包括294名目前或曾经吸烟的成年人（124名女性）（平均年龄65岁）。大多数（83%）是曾经吸烟者，平均吸烟史为17.9包年。研究人员创建了一个机器学习预测管道，结合分析了其CT成像特征、基于纹理的放射组学、定量CT特征以及人口统计学和肺活量测定信息。患者信息被分为训练数据集（75%的数据集）和测试数据集（25%）。主要结果是考虑CT和其他风险因素时的机器学习模型的曲线下面积（AUC）值。

研究结果显示，在平均2.45年的随访中，23%的患者疾病进展为COPD。与仅使用人口统计学数据的模型相比，将CT特征添加到人口统计学数据分析可显著提高了机器学习模型预测COPD进展的性能（AUC，0.730 vs 0.649；P<0.05）。在人口统计学数据中加入CT特征和肺活量测定结果分析，与单独的人口统计学数据分析相比，同样提高了预测值（AUC, 0.877;P< 0.05）。

研究者说

研究人员在讨论中指出，“研究结果还表明，无论是否使用人口统计学和肺活量测定结果，都能利用CT成像特征预测FEV1的快速下降”。同时也指出研究结果存在一定限制因素，包括使用了不同类型扫描仪获取的CT图像、随访次数有限以及随访时间短。其他限制因素包括缺乏外部数据集来评估机器学习模型的普适性，以及无法与现有模型进行比较。

研究人员总结道：研究结果支持了该模型在早期检测疾病进展的能力。需要更多的研究来定义CT特征的“正常”阈值，以开发评分系统，但目前的研究表明，无论是否使用肺活量测定结果，CT作为COPD风险个体的预测指标都具有附加价值。

参考资料：

1. Makimoto K, Hogg JC,et al. CT Imaging With Machine Learning for Predicting Progression to COPD in Individuals at Risk. Chest. 2023 Jun 17:S0012-3692(23)00809-7.

2. CT Imaging May Help Predict COPD Progression.medscape. 2023.June 27.