
-
生物通官微
陪你抓住生命科技
跳动的脉搏
整合临床数据、CTE影像组学与DBE深度学习的小肠克罗恩病活动性多模态评估模型
《BMC Medical Imaging》:Multimodal evaluation of small bowel crohn’s disease activity integrating clinical data, CTE radiomics, and deep learning on DBE
【字体: 大 中 小 】 时间:2026年10月16日 来源:BMC Medical Imaging 3.9
编辑推荐:
摘要目的本研究旨在通过整合临床数据、计算机断层扫描小肠造影(CTE)的影像组学特征以及双气囊小肠镜(DBE)图像的深度学习分析,开发一种评估小肠克罗恩病(SB-CD)活动性的多模态模型。方法通过单变量/多变量逻辑回归筛选临床预测因子。从半自动分割的CTE图像中提取影像组学特征
本研究旨在通过整合临床数据、计算机断层扫描小肠造影(CTE)的影像组学特征以及双气囊小肠镜(DBE)图像的深度学习分析,开发一种评估小肠克罗恩病(SB-CD)活动性的多模态模型。
通过单变量/多变量逻辑回归筛选临床预测因子。从半自动分割的CTE图像中提取影像组学特征,并使用LASSO回归进行筛选。DBE图像通过ResNet-18进行处理,用于分类和深度学习特征提取。构建了临床-影像组学-深度学习多模态模型。采用受试者工作特征(ROC)曲线、校准曲线、决策曲线分析(DCA)、列线图及沙普利可加性解释(SHAP)图评估模型性能;并通过DeLong检验、净重分类改善(NRI)和综合判别改善(IDI)检验比较各模型。
共筛选出4个临床因素、7个影像组学特征、1个二值深度学习分类输出和6个深度学习衍生特征用于构建模型。总体而言,单模态模型的表现低于多模态模型,所有7个模型在训练集中的受试者工作特征曲线下面积(AUC)值均超过0.90。多模态模型(组合2&3)表现最佳,优于单模态及临床-影像组学模型。列线图可直观展示个体化风险,SHAP图则突出了关键特征。DeLong、NRI和IDI分析证实了多模态整合的优越性。
整合临床数据、影像组学特征和深度学习输出的多模态模型在评估SB-CD疾病活动性方面显示出潜力,可为临床评估提供互补信息。
本研究旨在通过整合临床数据、计算机断层扫描小肠造影(CTE)的影像组学特征以及双气囊小肠镜(DBE)图像的深度学习分析,开发一种评估小肠克罗恩病(SB-CD)活动性的多模态模型。
通过单变量/多变量逻辑回归筛选临床预测因子。从半自动分割的CTE图像中提取影像组学特征,并使用LASSO回归进行筛选。DBE图像通过ResNet-18进行处理,用于分类和深度学习特征提取。构建了临床-影像组学-深度学习多模态模型。采用受试者工作特征(ROC)曲线、校准曲线、决策曲线分析(DCA)、列线图及沙普利可加性解释(SHAP)图评估模型性能;并通过DeLong检验、净重分类改善(NRI)和综合判别改善(IDI)检验比较各模型。
共筛选出4个临床因素、7个影像组学特征、1个二值深度学习分类输出和6个深度学习衍生特征用于构建模型。总体而言,单模态模型的表现低于多模态模型,所有7个模型在训练集中的受试者工作特征曲线下面积(AUC)值均超过0.90。多模态模型(组合2&3)表现最佳,优于单模态及临床-影像组学模型。列线图可直观展示个体化风险,SHAP图则突出了关键特征。DeLong、NRI和IDI分析证实了多模态整合的优越性。
整合临床数据、影像组学特征和深度学习输出的多模态模型在评估SB-CD疾病活动性方面显示出潜力,可为临床评估提供互补信息。