目的 观察基于多来源CT特征预测肺通气功能的价值。方法 回顾性纳入192例通气功能异常(轻度、中度、重度/极重度障碍各64例)及64名通气功能正常者,采用5折分层交叉验证划分训练集与测试集;基于胸部平扫CT勾画肺边界,提取并筛选影像组学和定量CT特征,输入Mamba Vision网络提取并筛选深度学习(DL)特征;分别采用K近邻法(KNN)、支持向量机(SVM)、多层感知器(MLP)、高斯朴素贝叶斯(GNB)、决策树(DT)和随机森林(RF)算法,基于最优DL特征、最优影像组学特征及二者联合构建DL模型、影像组学模型(RAD模型)及DL-RAD模型,并以DL-RAD模型联合定量CT特征构建CT-DL-RAD模型。绘制受试者工作特征曲线,计算曲线下面积(AUC),评估各模型预测肺通气功能的效能。结果 各模型中,分别以基于RF、RF、KNN及KNN算法构建的DL模型、RAD模型、DLRAD模型及CT-DL-RAD模型预测肺通气功能效能最佳,其在训练集的AUC分别为0.999、0.989、0.991及0.992,在测试集分别为0.946、0.854、0.929及0.932;其中,最优CT-DL-RAD模型预测肺通气功能的AUC高于其他模型(P均<0.01)。结论 基于多来源CT特征的CT-DL-RAD模型能有效预测肺通气功能。
(8.0+极速模式)