基于深度学习影像组学与临床数据的慢性阻塞性肺疾病患者冠心病风险预测列线图模型：一项多中心研究

本研究创新性整合临床特征、影像组学（Radiomics）和深度学习（DLR）技术，构建预测慢性阻塞性肺疾病（COPD）患者并发冠心病（CHD）风险的列线图模型。通过多中心543例患者数据验证，该模型在训练集（AUC=0.848）、内部验证集（AUC=0.800）和外部验证集（AUC=0.761）中均展现优异性能，较单一临床模型提升9.1%-13.4%预测效能，为COPD患者CHD早期筛查提供智能化解决方案。

　　

Abstract

本研究旨在开发并验证基于深度学习影像组学（DLR）的列线图模型，用于COPD人群的个体化CHD风险评估。通过整合传统临床数据、影像组学特征和三维深度学习特征，构建的综合预测模型在内部和外部验证中均显示出最优预测性能（AUC分别为0.800和0.761），显著优于单一临床或影像组学模型。

Introduction

慢性阻塞性肺疾病（COPD）作为全球第三大死因，与冠心病（CHD）存在显著共病关系。研究表明，40岁以上中国人群COPD患病率达13.7%，其与CHD共享吸烟、衰老和系统性炎症等风险因素。尽管人工智能技术在COPD胸部CT影像组学研究中取得进展，但尚未有研究应用DLR技术预测COPD患者的CHD风险。

Materials and Methods

患者与临床数据

回顾性纳入两家医疗中心543例COPD患者，随机分为训练集（n=278）、内部验证集（n=120）和外部验证集（n=145）。收集包括年龄、BMI、GOLD分级等28项临床指标，并通过LASSO回归筛选关键特征。

CT图像处理

采用OnekeyAI平台实现全肺自动分割，基于PyRadiomics提取850个影像组学特征，同时利用ResNet50架构生成2048维深度学习特征。通过Z-score标准化和余弦衰减学习率策略优化特征稳定性。

模型构建

开发四种预测模型：

1. 1.

   临床模型：基于Logistic回归筛选的CRP、PaO₂等关键指标

2. 2.

   影像组学模型：通过LightGBM算法构建的10维特征模型

3. 3.

   DLR模型：融合9个非零系数特征的深度学习模型

4. 4.

   列线图模型：整合上述特征的Logistic回归可视化工具

Result

基线特征

最终队列平均年龄75.09岁，男性占比84%（456/543）。CHD阳性组（n=377）与阴性组（n=166）在血小板分布宽度（OR=1.353）、红细胞分布宽度（OR=1.266）等指标存在显著差异。

模型性能

列线图模型展现全面优势：

• •

  训练集AUC 0.848（vs 临床模型0.771）

• •

  内部验证集净获益阈值覆盖0.1-0.8概率范围

• •

  外部验证集相对临床模型提升13.4%预测效能

决策曲线分析（DCA）证实，在0.1-0.7概率阈值范围内，列线图模型始终提供最高临床净获益。

Discussion

本研究首次证实DLR技术可有效识别COPD患者的CHD风险，其优势在于：

1. 1.

   突破传统ASCVD评分局限，整合COPD特异性指标（如PaCO₂、GOLD分级）

2. 2.

   通过全肺定量分析捕捉人类视觉无法识别的病理特征

3. 3.

   多中心设计保障模型泛化能力

局限性包括回顾性研究固有的选择偏倚，以及未评估纵隔特征的影响。未来将通过前瞻性研究和实时性能监测进一步优化模型。

Conclusion

基于全肺CT自动分割的DLR列线图模型，为COPD患者CHD风险分层提供了新型智能化工具，其临床应用有望提升早期干预效率并改善患者预后。