用于估算计算机断层扫描肺血管造影中对比剂到达时间的可解释机器学习方法

本研究开发了一种可解释的机器学习模型，利用患者相关和胸部CT特征预测CTPA中对比剂到达时间（TARR），通过SHAP分析识别出静脉和肺动脉测量值为关键特征，模型在测试集和外部验证集上表现良好（AUC分别为0.911、0.878和0.834、0.897），有助于个性化CTPA扫描，提高诊断精度。

　　

摘要 通俗语言总结

---

目的：

本研究旨在开发一种可解释的机器学习（ML）方法，利用与患者相关的非对比胸部CT图像特征来预测CT肺血管造影（CTPA）中造影剂的到达时间（T_ARR）。

材料与方法：

这项回顾性研究纳入了2023年9月至2024年10月期间接受CTPA检查的连续患者。研究使用了16个临床参数和17个胸部CT图像参数作为机器学习模型的输入数据。模型采用了递归特征消除技术进行特征选择，并结合XGBoost和SHapley Additive Explanations（SHAP）算法来实现可解释性建模。预测目标是肺动脉的异常T_ARR值（即T_ARR < 7秒或>10秒），该值通过检测造影剂增强峰值的时间来确定。研究还对模型进行了外部验证。模型性能通过接收者操作特征曲线（AUC）下面积进行评估。

结果：

共有666名患者（平均年龄70岁，IQR范围59.3至78.0岁；46.8%为女性）被分为训练集（n = 353）、测试集（n = 151）和外部验证集（n = 162）。其中86例（12.9%）的T_ARR < 7秒，138例（20.7%）的T_ARR > 10秒。机器学习模型在各自的测试集和外部验证集中的表现良好（T_ARR < 7秒时的AUC分别为0.911和0.878；T_ARR > 10秒时的AUC分别为0.834和0.897）。SHAP分析表明，下腔静脉和肺动脉的测量参数是区分异常T_ARR的关键特征。

结论：

这种可解释的机器学习算法能够准确识别肺动脉的正常和异常T_ARR值，从而有助于实现个性化的CTPA扫描。

通俗语言总结：本研究开发了一种机器学习（ML）模型，利用患者数据和胸部CT图像特征来预测CT肺血管造影（CTPA）中造影剂的到达时间。该模型旨在识别可能影响扫描质量的异常到达时间。研究使用了666名患者的数据，并将这些数据分为训练集、测试集和验证集。机器学习模型在各自的测试集和外部验证集中的表现良好，其中T_ARR < 7秒时的AUC值为0.911，T_ARR > 10秒时的AUC值为0.878和0.897。影响预测结果的关键特征包括下腔静脉和肺动脉的测量参数。这种方法有助于根据患者个体情况调整CTPA扫描方案，从而提高诊断准确性。