基于肺部超声影像组学分析联合机器学习评估重症患者血管外肺水指数

作者：蒙伟宇; 张驰; 胡军涛; 汤展宏^*

来源：中华危重病急救医学, 2023, 35(10).

• 肺部超声
• 影像组学
• 血管外肺水指数
• 机器学习

目的探讨与血管外肺水指数(EVLWI)相关的肺部超声影像组学特征, 采用基于肺部超声的影像组学方法联合机器学习预测重症患者的EVLWI并进行效能验证。方法采用回顾性病例对照研究方法, 收集2021年11月至2022年10月广西医科大学第一附属医院重症医学科收治的重症患者肺部超声视频和脉搏指示连续心排血量(PiCCO)监测结果, 按照8∶2的比例随机分为训练集与验证集。从肺部超声视频取帧得到对应图像并提取影像组学特征, 以PiCCO测得的EVLWI为"金标准", 通过统计分析和LASSO算法对训练集影像组学特征进行筛选。采用经过筛选的影像组学特征训练8种机器学习模型, 包括随机森林(RF)、极限梯度提升(XGBoost)、决策树(DT)、朴素贝叶斯(NB)、多层感知器(MLP)、K-近邻(KNN)、支持向量机(SVM)和Logistic回归(LR);绘制受试者工作特征曲线(ROC曲线), 评估上述模型在验证集中对EVLWI的预测效能。结果最终共30例患者151组样本(包括906份肺部超声视频和151份PiCCO监测结果)纳入分析, 其中训练集120组样本, 验证集31组样本;两项数据集的性别、年龄、体质量指数(BMI)、平均动脉压(MAP)、中心静脉压(CVP)、心率(HR)、心排血指数(CI)、心功能指数(CFI)、每搏量指数(SVI)、全心舒张期末容积指数(GEDVI)、全身血管阻力指数(SVRI)、肺血管通透性指数(PVPI)、EVLWI等主要基线资料差异均无统计学意义。151份PiCCO监测结果中整体EVLWI范围为3.7～25.6 mL/kg;分层分析显示, 两项数据集EVLWI均集中于7～15 mL/kg区间, EVLWI分布差异无统计学意义。通过LASSO算法筛选出2个影像组学特征, 即灰阶不均匀性(权重为-0.006?464)和复杂度(权重为-0.167?583), 并用于建模;ROC曲线分析显示, MLP模型具有较好的预测效能, 其预测验证集EVLWI的ROC曲线下面积(AUC)高于RF、XGBoost、DT、KNN、LR、SVM、NB模型(0.682比0.658、0.657、0.614、0.608、0.596、0.557、0.472)。结论肺部超声灰阶不均匀性和复杂度是与PiCCO测得的EVLWI相关性最高的影像组学特征;基于肺部超声灰阶不均匀性和复杂度构建的MLP模型可用于半定量预测重症患者EVLWI。

• 单位
  广西医科大学第一附属医院