基于多模态深度学习模型的肺栓塞生存预测研究：CTPA影像特征与临床数据的融合分析

《Journal of Thoracic Imaging》：Real-world Evaluation of Computer-aided Pulmonary Nodule Detection Software Sensitivity and False Positive Rate

本研究针对肺栓塞(PE)高死亡率问题，由多机构研究人员开展基于CTPA影像、临床数据和PESI评分的多模态深度学习模型研究。结果表明，融合CTPA特征、临床变量和PESI评分的模型预测效能(c-index)显著优于单独使用PESI评分，能有效区分高危/低危患者组(P<0.001)，并与右心室功能障碍显著相关，为PE预后评估提供新策略。

　　

研究团队通过回顾性分析三家机构的918例患者（中位年龄64岁，范围13-99岁，48%男性）共3978次CTPA（计算机断层扫描肺血管造影）数据，构建了创新的多模态深度学习模型。该研究利用人工智能技术从CTPA影像中提取疾病相关特征，并结合临床变量与肺栓塞严重指数(PESI)评分，开发了五种跨模态融合CoxPH模型：包括单纯影像特征模型、单纯临床变量模型、影像+临床变量双模态模型、影像+PESI评分模型以及三模态融合模型。

研究结果显示，融合CTPA影像组学特征、临床变量和PESI评分的多组学模型，其预测效能（一致性指数c-index）显著超越传统PESI评分单独应用。通过Kaplan-Meier生存分析发现，基于模型风险分层的高危组与低危组患者生存结局存在显著差异（P<0.001）。进一步的风险因素分析揭示，模型识别的高危分组与右心室(RV)功能障碍存在强关联。

这项研究证实，整合多源信息的深度学习模型能有效提升肺栓塞生存预测精度，为临床预后评估提供了新的技术路径。