Prediction of disease severity in COPD: a deep learning approach for anomaly-based quantitative assessment of chest CT
COPDにおける疾患重症度の予測:胸部CTの異常に基づく定量的評価のための深層学習アプローチ
目的
胸部CTでの正常な肺のモデル化された分布からの異常としてCOPDに関連する局所的な表現を定量化するためにディープラーニング（DL）アプローチを使用し、その方法が疾患の重症度を予測する可能性を評価すること。
材料と方法
COPDGeneおよびCOSYCONETコホート研究から、吸気および呼気CTデータおよび臨床データを収集した。COPDGeneデータは訓練/検証/テストデータセット（N = 3144/786/1310）として使用され、COSYCONETは外部テストセット（N = 446）として使用した。低リスク（健康/最小限の疾患、[GOLD 0]）とCOPD患者（GOLD 1–4）を区別するために、自己教師ありDLモデルが分節化された完全な肺から50 × 50 × 50ボクセルサンプルのセマンティック情報を学習した。異常検出アプローチを訓練して、COPDに関連する肺異常を局所的な偏差として定量化した。また、比較のために4つの教師ありDLモデルを実行した。提案された異常スコアの臨床的および放射線的予測能力は、線形混合効果モデル（LMM）を使用して評価した。
結果
提案されたアプローチは、COPDGeneで84.3 ± 0.3（p < 0.001）、COSYCONETで76.3 ± 0.6（p < 0.001）の曲線下面積（AUC）を達成し、吸気CTのみを含む場合でも教師ありモデルを上回った。異常スコアは、肺機能、健康状態、定量的CT特徴（気腫/エアトラッピング）の予測においてLMMの適合を有意に改善した（p < 0.001）。高い異常スコアは、両コホートでの増悪（p < 0.001）およびCOPDGeneでの重度の呼吸困難スコア（p < 0.001）と有意に関連した。
結論
COPDの不均一な表現を異常として定量化することは、教師あり手法よりも優れた利点を提供し、肺機能障害や形態学的悪化の予測に有用であることが確認された。
臨床的意義
ディープラーニングを使用することで、COPDの肺表現を正常な胸部CTからの偏差として特定し、異常スコアを付与することが可能であり、このスコアは肺機能低下、気腫、エアトラッピングと一致している。
