Pulmonary Embolism Mortality Prediction Using Multimodal Learning Based on Computed Tomography Angiography and Clinical Data

要約

目的: 肺塞栓症 (PE) は、米国における重大な死亡原因です。
この研究の目的は、コンピュータ断層撮影肺血管造影 (CTPA)、臨床データ、および PE 重症度指数 (PESI) スコアを使用してディープラーニング (DL) モデルを実装し、PE 死亡率を予測することです。
材料と方法: 3,978 CTPA を有する 918 人の患者 (年齢中央値 64 歳、範囲 13 ～ 99 歳、女性 52%) が、3 つの施設にわたる遡及的レビューによって特定されました。
生存を予測するために、AI モデルを使用して CTPA から疾患関連の画像特徴を抽出しました。
次に、画像特徴および/または臨床変数を DL モデルに組み込んで、生存転帰を予測しました。
4 つのモデルは次のように開発されました。(1) CTPA イメージング機能のみを使用します。
(2) 臨床変数のみを使用します。
(3) CTPA と臨床変数の両方を統合するマルチモーダル。
(4) 計算された PESI スコアと融合されたマルチモーダル。
各モダリティからのパフォーマンスと貢献は、それぞれ一致指数 (c-index) と純再分類改善を使用して評価されました。
パフォーマンスは、Wilcoxon 符号付き順位検定を使用して PESI 予測と比較されました。
カプラン・マイヤー分析は、患者を高リスク群と低リスク群に階層化するために実行されました。
右心室（RV）機能不全を説明するために、追加の因子リスク分析が実施されました。
結果: どちらのデータセットでも、PESI 融合モデルとマルチモーダル モデルは、PESI 単独よりも高い c インデックスを達成しました。
マルチモーダルモデルと PESI 融合モデルによる患者の高リスク群と低リスク群への層別化の後、死亡率の転帰は大きく異なりました (両方とも p<0.001)。 高リスクのグループ分けと右室機能障害の間には強い相関関係が見られました。 結論: CTPA の特徴、臨床データ、PESI を組み込んだマルチオミック DL モデルは、PE 生存予測において PESI 単独よりも高い c インデックスを達成しました。

要約(オリジナル)

Purpose: Pulmonary embolism (PE) is a significant cause of mortality in the United States. The objective of this study is to implement deep learning (DL) models using Computed Tomography Pulmonary Angiography (CTPA), clinical data, and PE Severity Index (PESI) scores to predict PE mortality. Materials and Methods: 918 patients (median age 64 years, range 13-99 years, 52% female) with 3,978 CTPAs were identified via retrospective review across three institutions. To predict survival, an AI model was used to extract disease-related imaging features from CTPAs. Imaging features and/or clinical variables were then incorporated into DL models to predict survival outcomes. Four models were developed as follows: (1) using CTPA imaging features only; (2) using clinical variables only; (3) multimodal, integrating both CTPA and clinical variables; and (4) multimodal fused with calculated PESI score. Performance and contribution from each modality were evaluated using concordance index (c-index) and Net Reclassification Improvement, respectively. Performance was compared to PESI predictions using the Wilcoxon signed-rank test. Kaplan-Meier analysis was performed to stratify patients into high- and low-risk groups. Additional factor-risk analysis was conducted to account for right ventricular (RV) dysfunction. Results: For both data sets, the PESI-fused and multimodal models achieved higher c-indices than PESI alone. Following stratification of patients into high- and low-risk groups by multimodal and PESI-fused models, mortality outcomes differed significantly (both p<0.001). A strong correlation was found between high-risk grouping and RV dysfunction. Conclusions: Multiomic DL models incorporating CTPA features, clinical data, and PESI achieved higher c-indices than PESI alone for PE survival prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google