通过网络分析和机器学习对定量CT图像进行解析，确定了影响肺扩散能力的结构因素

《Scientific Reports》：Structural determinants of pulmonary diffusing capacity identified by network analysis and machine learning on quantitative CT

　　

摘要

一氧化碳扩散能力（DLCO）反映了肺部的气体交换效率，但由于生理和技术上的差异，其测量和解读仍然具有挑战性。定量计算机断层扫描（CT）能够提供结构上的信息，有助于克服这些限制。本研究探讨了不同肺部疾病患者的人群因素、肺功能测定值、DLCO以及CT衍生指标之间的关联。此外，我们还建立了DLCO的预测模型。分析内容包括平均肺密度（MLD）、第15百分位数指数（PI15）、低衰减区域和高衰减区域的百分比（LAA%和HAA%）、肺气肿的异质性（D-slope）、气道壁厚度（AWTPi10）以及肺血管指数。通过网络分析和随机森林回归方法，我们确定了影响DLCO的因素和预测指标。DLCO与体重和全肺容量呈正相关，与年龄、MLD变化、HAA%和D-slope呈负相关。DLCO与肺泡容量的比值与体重、体质指数和肺密度指标（PI15）呈正相关，与LAA%和D-slope呈负相关。CT衍生的指标与肺功能测定结果相比表现出不同的相关性模式。随机森林模型的预测相关性系数为0.82，均方根误差（RMSE）为3.04 mL/min/mmHg，R2值为0.58，表明其具有较好的预测能力。整合定量CT指标有助于更深入地理解DLCO。基于影像学的模型可以提高肺部疾病的诊断精度，并支持个性化的管理策略。