《Cancers》:Can Artificial Intelligence Interpret Pulmonary Function Tests and Predict Prolonged Air Leaks After Lung Resection
Omar Zahra,
Alexander Pohlman,
Ayham Odeh,
Mohammad Alhusseini,
James Lubawski,
Julia M. Coughlin,
Wissam Raad,
Amit Goyal and
Zaid M. Abdelsattar
编辑推荐:
背景/目标: 术前肺功能测试(PFTs)包含大量生理参数,然而外科医生通常仅依赖第一秒用力呼气容积(FEV1)和一氧化碳弥散量(DLCO)来评估手术风险。本研究旨在评估人工智能(AI)是否能利用更多PFT数据来预测肺切除术后持续性漏气(PAL)的发生。方法:
背景/目标: 术前肺功能测试(PFTs)包含大量生理参数,然而外科医生通常仅依赖第一秒用力呼气容积(FEV1)和一氧化碳弥散量(DLCO)来评估手术风险。本研究旨在评估人工智能(AI)是否能利用更多PFT数据来预测肺切除术后持续性漏气(PAL)的发生。方法: 研究人员采用光学字符识别(OCR)模型从PFT报告中提取结构化数据,并将其与2016年至2023年间机构胸外科医师协会普胸外科数据库(STS-GTSD)的临床及人口统计学特征相结合。通过特征选择算法筛选最具预测性的特征,并在内部验证队列上训练和测试了一个用于预测PAL的神经网络。结果: 共有410例接受肺切除术的患者成功通过OCR系统数字化了PFT数据,每位患者提取了76个可用的PFT特征。最终AI模型包含10个关键输入变量,包括3项PFT指标和7项临床变量。经验证,该模型的特异性为73%,敏感性为60%,总体准确率为72%,曲线下面积(AUC)为0.74。该性能超过了现有的大多数PAL预测模型。结论: 利用结构化PFT和临床数据的AI驱动模型可增强肺切除术后持续性漏气的预测能力,其表现优于传统的基于回归的模型。未来的研究应侧重于外部验证及其在临床工作流程中的整合。
论文解读:基于人工智能的肺功能测试解析与肺切除术后持续性漏气预测研究
研究背景与意义
肺切除术是肺癌治疗的金标准,但术后并发症严重影响了患者的预后与医疗资源的有效利用。持续性漏气(Prolonged Air Leak, PAL),定义为术后超过五天持续存在的漏气,是肺切除术后最常见的并发症之一,发生率约为10%至15%。PAL会导致住院时间显著延长、术后感染率升高以及医疗成本增加。尽管胸外科医师协会普胸外科数据库(STS-GTSD)等大型登记系统已开发出多种基于逻辑回归的预测模型,但其准确性普遍较低,临床应用价值有限。目前的预测模型大多仅依赖少数临床指标和肺功能测试(Pulmonary Function Tests, PFTs)中的两个核心参数——第一秒用力呼气容积(FEV1)和一氧化碳弥散量(DLCO)。然而,PFTs实际上包含了丰富的肺容积、气流及气体交换的生理参数,外科医生往往忽略了其他潜在有价值的指标。与此同时,人工智能(AI)在医学领域的应用日益广泛,特别是在利用复杂数据集进行疾病状态识别和并发症预测方面显示出巨大潜力。鉴于现有PAL预测工具的局限性,研究人员认为有必要探索AI是否能通过挖掘完整的PFT数据来提升预测精度。本研究由Omar Zahra、Alexander Pohlman等学者完成,发表于《Cancers》期刊,旨在通过结合OCR技术与神经网络模型,构建并验证一个新型的PAL预测工具。
关键技术方法
本研究的数据来源于Loyola大学医学中心2016年至2023年的STS-GTSD数据库,纳入了接受楔形切除、段切除或肺叶切除术的患者。研究人员首先开发了一套基于Python的光学字符识别(OCR)算法,用于将非结构化的PFT报告转化为结构化数据。经过缺失值填补和标准化处理后,研究人员获得了76个完整的PFT变量和63个临床变量。为了优化模型并防止过拟合,研究采用了前向逐步特征选择算法(Forward Stepwise Feature Selection Algorithm, FSA)结合四折交叉验证,筛选出最优的特征组合。最终,构建了一个深度神经网络(Deep Neural Network, DNN)架构,包含输入层(10节点)、两个隐藏层(16和8节点)及输出层,并使用Adam优化器进行训练,通过绘制受试者工作特征(ROC)曲线和计算曲线下面积(AUC)来评估模型性能。
研究结果
1. 患者基线特征
研究共纳入410例患者,平均年龄67.1岁,女性占58.1%。其中12.2%(n=50)的患者发生了PAL。统计分析显示,发生PAL的患者年龄更大、烟草暴露量更高(平均40.9包年),且合并冠状动脉疾病、外周血管疾病、慢性阻塞性肺病(COPD)及既往心胸外科手术史的比例显著高于未发生PAL的患者。在手术方式上,肺叶切除术在PAL组更为常见。
2. 特征选择与模型构建
通过FSA算法,研究人员从海量数据中筛选出10个关键预测变量。其中包括三个PFT指标:FEV1/FVC比值、基于肺泡容积校正的一氧化碳弥散量参考值(DLCO/VA reference)以及DLCO/VA预测百分比;以及七个临床变量,如充血性心力衰竭、既往心胸外科手术史、吸烟包年数、二尖瓣及三尖瓣病变、透析依赖和术前慢性免疫抑制治疗。模型训练结果显示,该DNN模型包含345个可训练参数。校准后的布里尔得分(Brier Score)为0.102±0.005,表明模型具有高度的可靠性。
3. 模型性能验证
在内部验证队列中,该AI模型的整体准确率达到71.7%,特异性为73.3%,敏感性为60.1%。ROC曲线分析显示,模型的AUC值为0.74。SHAP(Shapley Additive exPlanations)值分析进一步揭示,在最终模型中,贡献最大的四个变量是三个PFT变量(DLCO/VA reference、FEV1/FVC、% predicted DLCO/VA)和吸烟包年数,其余六个变量因L1正则化的作用影响趋近于零。与既往发表的预测模型相比,本研究的AUC值显示出更优越的判别能力。
讨论与结论
本研究证实,利用AI技术解析PFT数据并结合临床特征,能够构建出预测肺切除术后PAL的高效模型。该模型的AUC值(0.74)优于大多数基于传统逻辑回归的现有模型,这表明AI在处理多维生理数据和捕捉非线性关系方面具有显著优势。值得注意的是,模型筛选出的核心PFT变量并非临床常规关注的FEV1和DLCO绝对值,而是FEV1/FVC比值和DLCO/VA比值等复合指标,这提示肺实质的微观结构完整性和气体交换效率可能对术后肺泡残端愈合具有更重要的预测价值。此外,虽然模型纳入了多项临床变量,但最终发挥主要作用的仍是吸烟史,这反映了吸烟导致的肺组织损伤在PAL发病中的核心地位。
尽管本研究取得了积极成果,但仍存在单中心研究、样本量相对有限以及缺乏外部验证等局限性。未来的工作应着重于多中心大样本的外部验证,并考虑整合影像学特征和术中因素以进一步提升模型的泛化能力和精确度。综上所述,该研究为AI辅助胸外科术前风险评估提供了新的思路和实证依据,展示了将复杂生理数据转化为临床决策工具的巨大潜力。