一种基于原始 EIT 记录的机器学习辅助肺功能评估自动化框架

《IEEE Transactions on Biomedical Engineering》：An Automated Framework for ML-Assisted Lung-Function Assessment From Raw EIT Recordings

　　

摘要：

目的：肺活量检查指标如第一秒用力呼气容积（FEV1）和齐氏指数（Tiffeneau index, TI）是衡量气流受限的临床金标准，但它们仅提供全局肺测量值，无法捕捉区域通气变异性。本研究旨在开发一种自动化的、机器学习（ML）辅助的流程，直接通过电阻抗断层成像（EIT）信号（一种无辐射、床旁、高时间分辨率的模态）估算肺活量相关肺功能指标并区分呼吸疾病类别。方法：我们通过自动化流程处理来自 Dr?ger Pulmovista 设备的原始 EIT 记录，该流程重建阻抗曲线、执行质量控制、可选地应用自适应去噪，并将用力肺活量（FVC）动作分为四个阶段（A–D）以实现稳健的特征提取。我们在三个任务中评估了多个回归和分类模型，并进行超参数优化：FEV1 预测、TI 预测和多类呼吸疾病分类。结果：AdaBoost 在 FEV1 回归中表现最佳（均方误差 [MSE] = 0.1026，R2 = 0.9096），而 XGBoost 在 TI 回归中表现最佳（MSE = 0.0037，R2 = 0.7363）。多层感知器（MLP）取得了最高的疾病分类性能（准确率 = 0.8947，平衡准确率 = 0.8857，F1 分数 = 0.8857，ROC-AUC = 0.9444）。结论：这些发现表明，自动化动作分割结合严格的质量控制和基于机器学习的特征工程，能够仅通过 EIT 衍生的描述符可靠地估算肺活量衍生的指标并准确区分呼吸疾病类别。意义：该流程确立了 EIT 作为一种可行的、无辐射的、床旁替代方案，用于持续的、基于肺活量信息的肺功能监测，有望改善常规肺活量检查不切实际环境下的呼吸疾病监测。

显示更多