《Academic Radiology》：Development and Validation of an Interpretable Chest X-Ray Radiomic Model for Identifying PRISm in Non-COPD Individuals
编辑推荐：
** rationale and objectives**胸部X光（CXR）检查成本低且易于获取，但缺乏有效工具来识别具有保存比率受损（PRISm）的肺功能情况。本研究旨在开发并验证一种基于CXR的放射组学-临床联合模型，用于PRISm的筛查。** Materials and M
** rationale and objectives**
胸部X光（CXR）检查成本低且易于获取，但缺乏有效工具来识别具有保存比率受损（PRISm）的肺功能情况。本研究旨在开发并验证一种基于CXR的放射组学-临床联合模型，用于PRISm的筛查。
** Materials and Methods**
本研究回顾性地收集了2017年1月至2023年12月期间来自9家医院的配对CXR图像和临床数据。使用全自动分割算法对CXR图像中的双肺区域进行了分割，并采用PyRadiomics提取放射组学特征。建立了临床模型、放射组学模型及其联合模型。通过DeLong检验对模型性能进行了评估，以比较不同模型下的曲线下面积（AUC）。同时进行了全局和局部SHapley Additive exPlanations（SHAP）分析来解释模型结果。
** Results**
共有1563名参与者（平均年龄63.1 ± 12.0岁；男性857人；PRISm病例422例）被纳入研究。该联合模型在训练集、内部验证集和外部验证集中的表现最佳，AUC分别为0.761、0.753和0.759。在外部验证集中，联合模型的性能（AUC = 0.759，95%置信区间[CI]：0.658–0.854）显著优于单独的放射组学模型（AUC = 0.618，95% CI：0.505–0.732）和临床模型（AUC = 0.655，95% CI：0.549–0.760；所有p < 0.001）。SHAP分析显示，性别是联合模型中的最佳预测因素，其次是放射组学特征、体质指数、年龄和吸烟状况。局部SHAP可视化结果展示了PRISm病例和正常肺功能病例中各特征的贡献情况。
** Conclusions**
基于CXR的联合模型在识别PRISm方面表现出良好的稳定性和诊断性能，支持其作为初级筛查工具的实用性。SHAP方法增强了模型的可解释性和临床适用性。
** Section Snippets **
** Introduction **
保存比率受损（PRISm）是一种肺功能表型，其特征是1秒用力呼气容积（FEV?/FVC）≥70%，而预测的1秒用力呼气容积百分比（FEV?%pred）<80%，这被视为慢性阻塞性肺疾病（COPD）的早期高风险状态（1）。这种表型具有较高的患病率，与进行性肺功能下降以及相关风险增加密切相关。
** Patient and Clinical Data **
本研究已获得机构伦理委员会的批准（伦理编号2024SL043），由于研究的回顾性特点，无需获得知情同意。研究期间收集了来自9家医院的CXR图像和匹配的临床数据，包括年龄、体重、身高、体质指数（BMI）、肺功能参数（FEV?%pred、FEV?/FVC）和吸烟状况。
** Clinical Characteristics **
整个研究流程如图1所示。共有1563名参与者被纳入研究，其中男性857人，女性706人。其中422人被归类为PRISm组，1141人被归类为正常肺功能组，平均年龄为63.1 ± 12.0岁。基线临床特征和胸部X光检查参数分别列在表1和补充表S1中。共收集了1563张CXR图像。
** Discussion **本研究构建并验证了一种基于CXR的机器学习模型，整合了临床指标和放射组学特征，用于非侵入性地识别PRISm患者。
放射组学模型的诊断性能低于传统的临床模型，这可能归因于CXR的空间分辨率有限以及早期PRISm病变的微妙形态变化。整合临床信息和放射组学特征显著提高了模型的性能。
** Conclusion **总之，基于CXR的模型结合了临床指标和放射组学特征，能有效识别PRISm患者。该模型适用于资源有限环境下的初步肺功能筛查，是早期预警PRISm的有效工具。
** CRediT Authorship Contribution Statement ****Qian Zhou**：验证、数据整理、概念构思。Weihao Zhai**：方法学。Taohu Zhou**：方法学。Yi Wang**：资源获取。Xiuxiu Zhou**：监督。Qianxi Jin**：撰写–审稿与编辑。Ruoyao Wang**：方法学。Huawei Wu**：数据整理。Qi Dai**：数据整理。Jingfeng Zhang**：数据整理。Li Fan**：监督。
** Ethical Approval **本研究已获得医院伦理委员会的批准（编号2024SL043），由于研究的回顾性特点，无需获得知情同意。
** Declaration of Generative AI and AI-assisted Technologies in the Writing Process **本研究过程中未使用任何人工智能工具来生成、起草或修改手稿。
** Funding **研究资金来源包括：中国国家自然科学基金（编号82430065、82502483、81871321和82171926）、上海市卫生健康委员会的卓越健康领域项目（编号20254Z0003）、上海市“医学人才新星”青年发展计划（编号SHWSRS 2025-71）、上海市东方人才计划-顶尖人才项目（编号SHSDFYCJHBJ-FLL）以及上海长庚医院金字塔人才计划（编号2026JZT-QNQZ-BLJHZZ-ZTH）。
** Data Sharing Statement **研究期间生成或分析的数据可向相应作者申请获取。
** Consent for Publication **不适用。
** Declaration of Competing Interest **作者声明没有竞争利益。
