基于机器学习方法建立慢性阻塞性肺疾病合并肺癌风险的预测模型

作者：李梦琪; 贺丰泰; 吴雅楠; 张尽晖^*; 王琪^*

来源：中国呼吸与危重监护杂志, 2022, 21(11): 782-789.

DOI：10.7507/1671-6205.202111050

• 肺癌
• 慢性阻塞性肺疾病
• 卷积神经网络
• 机器学习

目的 建立基于机器学习的慢性阻塞性肺疾病(简称慢阻肺)患者合并肺癌风险的预测模型,探索慢阻肺患者罹患肺癌的高风险因素,为早期发现慢阻肺患者肺癌发病风险提供智能预警奠定基础。方法 回顾分析2010年—2021年就诊于大连医科大学附属第二医院的共154例患者,其中慢阻肺组99例,慢阻肺合并肺癌组55例。患者均进行胸部高分辨率电子计算机断层扫描(high resolution computed tomography,HRCT)及肺功能测试。主要分析:(1)两组患者的年龄、体重指数(body mass index,BMI)、吸烟指数等基本信息、实验室检查结果、肺功能及胸部HRCT定量参数之间的差异是否具有统计学意义;(2)使用单因素和二元logistic回归方法分析慢阻肺患者患肺癌的高风险因素指标;(3)使用logistic回归和Gaussian过程等机器学习方法建立慢阻肺患者合并肺癌风险的预测模型。结果 基于统计学和logistic回归方法分析,BMI下降、全肺气肿指数增大、全肺平均密度增高、用力肺活量及凝血酶原时间百分比活动度增加是慢阻肺患者合并肺癌的危险因素。基于慢阻肺患者合并肺癌的机器学习风险预测模型,使用凝血酶原时间百分比活动度、全肺气肿指数、全肺平均密度、用力肺活量联合神经元特异性烯醇化酶和细胞角蛋白19的可溶性片段为特征,得到logistic回归和Gaussian过程的受试者工作特征曲线下面积均为0.88。结论 使用机器学习的方法建立慢阻肺患者合并肺癌风险的预测模型,可用于早期发现罹患肺癌高风险的慢阻肺患者。

• 单位
  东北大学; 大连医科大学附属第二医院