機械学習を使用して、放射線特徴の予後有用性を評価する

Sep 03, 2023

Scientific Reports volume 13、記事番号: 7318 (2023) この記事を引用

350 アクセス

2 オルトメトリック

メトリクスの詳細

ポータブル胸部 X 線撮影は、緊急症例のトリアージを行う効率的な手段であるため、その使用により、画像診断が新型コロナウイルス感染症患者の生存にさらなる予後有用性をもたらすかどうかという疑問が生じています。この研究では、院内死亡率に対する既知の危険因子の重要性を評価し、さまざまな機械学習アプローチを使用してラジオミックテクスチャー特徴の予測有用性を調査しました。特に高齢の患者や併存疾患の負担がより大きい患者において、緊急胸部 X 線写真から得られたテクスチャー特徴を利用して、生存予後が段階的に改善していることを発見しました。重要な特徴には、年齢、酸素飽和度、血圧、特定の併存疾患のほか、ピクセル分布の強度と変動性に関連する画像特徴が含まれます。したがって、広く利用可能な胸部 X 線写真を臨床情報と組み合わせることで、新型コロナウイルス感染症患者、特に高齢で症状の重い患者の生存転帰を予測できる可能性があり、追加情報を提供することで疾患管理に役立てることができます。

新型コロナウイルス感染症により、米国では 8,500 万人以上の感染者と 100 万人以上の死亡者が発生しています1。将来の感染再拡大に対する懸念が継続しており 2,3、感染患者の治療と管理を改善する取り組みにおいては、リスク階層化と生存予後を予測するための原則に基づいた方法が非常に重要です 4,5。初期の報告では、斑状またはびまん性の網状結節性「すりガラス状」陰影（GGO）や、基底、末梢、両側優位の硬化など、救急科の環境で胸部 X 線異常を評価するための診断ガイダンスが概説されています 6,7。最近の研究では、肺病変を 0 ～ 18 のスケールで評価する、または肺病変のパーセンテージを評価する、新型コロナウイルス特有のブリクシアスコアなどのスコアリングシステムを介して、新型コロナウイルス感染症患者の等級付けに胸部 X 線写真を使用することが推奨されています 8,9。 11、12。疾患分類の自動化アプローチは高い（90％以上）診断精度を達成しています13が、放射線特徴を使用して、高次元かつ不均一な性質のため、新型コロナウイルス感染症で入院した患者の臨床転帰を予測する研究は不足しています。データが利用できないため14. 臨床的危険因子を超えて、院内死亡率を予測するためのこのような機能のさらなる有用性は、ほとんど知られていません 14。

ミシガン大学ヘルスシステム (またはミシガン医学) は、パンデミック中に新型コロナウイルス感染症患者のケアを管理する主要な地域センターの 1 つとして、人口統計データや臨床データに加えて、豊富な X 線画像データを収集しました。、電子医療記録 (EHR) 経由 15,16。ポータブル胸部 X 線装置は、その可用性と使いやすさにより、パンデミック以前から、ミシガン州医療機関で緊急治療が必要な患者のモニタリングに日常的に使用されてきました 17。ただし、胸部 X 線画像の分析は、特に新型コロナウイルス感染症の状況ではデータ構造により複雑になります 18。機械学習技術を活用して、新型コロナウイルス関連の X 線画像から特徴を抽出および選択するためのワークフローを提案しました。生存情報を直接使用することで、私たちのフレームワークは生の画像をテクスチャ特徴に分解し、新型コロナウイルス感染症による死亡率に最も関連する特徴を特定します。私たちはいくつかの機械学習技術を使用して、人口動態および臨床的要因の予測可能性と、新型コロナウイルス感染症 (COVID-1919) で入院した患者の主要評価項目である院内死亡率に関するラジオミクステクスチャーの特徴を評価しました。サブグループ分析により、胸部 X 線画像は脆弱な (例、高齢または病気の) 患者にとってより予後予測に役立つことが明らかになりました。

X 線検査を受けた 3,313 人の入院患者のうち、合計 3,310 人の患者を、肺の鮮明な画像が得られる前方-後方画像または後方-前方画像で分析しました。除外されたのは、X 線検査で不鮮明な像が得られ、分析できなかった 3 人の患者のみでした。追跡調査中に、590人（17.8％）が院内で死亡し、20人（0.6％）がホスピスに退院したことが観察された。年齢中央値は61歳（四分位範囲：46～73）で、患者の大部分は男性（56％）であり、周囲の人口と比較して黒人患者の割合が多かった（21％）。呼吸数の中央値は 1 分あたり 18.8 (17.5 ～ 21.7) 呼吸、酸素飽和度の中央値は 95.5% (94.0 ～ 97.2%) でした。入院時に不整脈（70％）、高血圧（70％）、体液および電解質障害（70％）を患っていた患者の割合が高かった（補足E）。最終モデルには、7 つの放射線学的特徴と 7 つの臨床的特徴が含まれています。

まず、臨床予測因子のみを使用して、次の 5 つのアルゴリズムの予測パフォーマンスを比較しました。アルゴリズムは、コックス比例ハザードモデル 20、21、生存サポートベクターマシン 22、ランダム生存フォレスト 23、生存勾配ブースティング 24、および最初の 4 つのアルゴリズムのアンサンブル平均化 25 でした。 100 回の実験にわたる平均 C インデックスは 78.1 ～ 80.3% の範囲であり、アンサンブル平均が最も優れたパフォーマンスを示しました。次に、臨床的特徴と放射線学的特徴の両方を使用してアルゴリズムを比較し、アンサンブル平均化が依然として他の方法よりも優れており、再び最高の平均 C インデックス 81.0% を達成していることに注目しました。さらに、C インデックスの 0.5% 増加 (ランダム生存フォレスト) から 2.0% 増加 (生存勾配ブースティング; 表 1) まで、5 つのアルゴリズムすべてにわたって段階的な改善が観察されました。このため、私たちはサブグループ分析を実施して、追加された画像特徴によってどのサブグループがより恩恵を受けるかを調べることにしました。「サブグループ分析とリスク階層化」の後のセクションを参照してください。

図 1a は、5 つの予測アプローチにおける上位の臨床および画像特徴の特徴重要度を示しています。最も重要な臨床的特徴は、年齢、体液および電解質障害の兆候、呼吸数、拡張期血圧、転移性癌、および転移のない固形腫瘍癌であった。重要なイメージングテクスチャの特徴には、依存性の不均一性、ゾーンエントロピー、ピクセル強度の中央値、大面積の高グレーレベルの強調、最大相関係数、ピクセル強度の尖度、およびロバストな平均絶対偏差が含まれます。より高い依存性の不均一性、ゾーンエントロピー、および最大の相関係数を有する患者は、画像のテクスチャパターンの不均一性または複雑性がより高かった。ピクセル強度の中央値が高く、大面積の高グレーレベル強調を持つものは、画像内に高いグレーレベル値が集中しており、ピクセル強度の尖度が高く、平均絶対偏差がロバストであるものは、ピクセル強度の範囲外の値が多くなります26。

院内死亡率の予測分析の結果。 (a) 標準誤差を伴う 100 個のテストデータセットに基づく、アンサンブル平均における最も高い特徴重要度によって並べ替えられた、臨床特徴および画像特徴の平均特徴重要度。 (b) 患者の年齢とリスクグループによって階層化された院内死亡率のカプラン・マイヤー曲線（リスクスコア中央値で定義、高リスク = 実線、低リスク = 破線）。各年齢グループ内の臨床的特徴または臨床的および画像的特徴によって定義されるリスクスコア。 (c) 併存疾患負荷とリスクグループによって階層化された院内死亡率のカプラン・マイヤー曲線（リスクスコア中央値で定義、高リスク = 実線、低リスク = 破線）。各併存疾患負担グループ内の臨床的特徴または臨床的および画像的特徴によって定義されるリスクスコア。

Cox 回帰モデルに重要な特徴を当てはめ、ハザード比 (HR) と 95% 信頼区間 (CI) を表 2 に示します。高齢者 (HR: 2.33、95% CI 2.07 ～ 2.63)、呼吸数の増加 (1.41) ; 1.28-1.55）、体液および電解質障害（2.57; 1.98-3.34）、転移性癌（1.41; 1.10-1.80）、および転移のない固形腫瘍癌（1.32; 1.03-1.68）の適応症は、高血糖と有意に関連していた。 -病院での死亡率。逆に、拡張期血圧が高い（0.81; 0.75～0.88）、非喫煙（0.46; 0.32～0.67）、および以前に喫煙したことがある（0.62; 0.43～0.90）と、死亡率が低かった。放射性テクスチャ特徴の中で、依存性の不均一性が大きい（1.21; 1.08 ～ 1.36）、大面積の高グレーレベル強調（1.14; 1.04 ～ 1.25）、およびピクセル強度の中央値（1.14; 1.05 ～ 1.25）は、より高いハザードと有意に関連していました。一方、最大相関係数が低いほど (0.91; 0.83 ～ 0.99)、死亡率の高いハザードとわずかに関連していました。

最も予測性の高いアンサンブル平均を使用して、放射性特徴の追加の有無にかかわらずリスクスコアを構築しました。これらのスコアが、年齢または併存疾患負担によって定義される特定のサブグループ内の患者をどのように区別できるかを比較しました（図1b、c）。 2 つの発見は注目に値します。まず、臨床指標のみ、または臨床特徴と画像特徴の両方に基づくスコアは、すべてのサブグループにわたって患者を適切に区別することができ、患者の死亡リスクのプロファイリングにおける臨床特徴と画像特徴の有用性を強調しています。

次に、臨床的特徴と臨床的+放射線学的特徴の両方を使用して定義されたリスクスコア中央値に基づいて、患者を「高」リスクと「低」リスクに分類しました。特定のサブグループ（例：65 歳以上の患者、または 7 つ以上の併存疾患を持つ患者）内では、画像特徴の追加によって定義された高リスク患者と低リスク患者の生存曲線間の分離は、画像化機能の追加により定義された生存曲線間の分離よりも明白でした。臨床的特徴のみを使用して定義された、高リスク患者と低リスク患者のリスク。これは、これらのサブグループにおける放射線特徴の追加の予後有用性を例示しています。対照的に、他のサブグループ、たとえば 65 歳未満や併存疾患が 7 つ未満のサブグループでは、分離はそれほど明白ではありませんでした。

我々の発見を確認するために、これらの異なるサブグループ間の放射性特徴の追加による C インデックスの増加を比較しました。表 3 は、放射線学的特徴を追加すると、若い患者よりも高齢の患者の方が C 指数が大幅に増加することを示しています。放射線特徴を追加したさまざまなアルゴリズム全体で、高齢患者の C 指数が 2.3 ～ 3.1% 増加しました。この増加は臨床的に意味があり 27,28 、若年患者の 0.5 ～ 1.0% 増加よりも有意に大きい (p < 0.001)。同様に、併存疾患負担がより高い患者では C 指数の 1.6 ～ 2.5% の増加が達成されたのに対し、併存疾患負担がより低い患者では 0.2 ～ 1.4% の増加が達成されました。この増加は臨床的に意味があり、統計的に有意でした (p < 0.01)。

最近の多くの研究では、乳がん 29 および肺がん 30、冠状動脈疾患 31、肺塞栓症 32 など、幅広い臨床現場における発見と予後予測のための統合モデルの可能性について議論されています。これらの研究はそれぞれ、放射線学的特徴と臨床的特徴を組み合わせたマルチモーダル予測方法により、さまざまな臨床現場での予測性能の向上が可能であることを実証しています。さらに、最近の研究では、医療画像からの放射線表現型がゲノミクスや組織病理学などの分子表現型と関連しており、したがって重要で臨床的に関連する情報を提供する可能性があることが示唆されています 33,34。私たちの環境では、ポータブル胸部 X 線撮影が緊急症例のトリアージを行うための効率的かつ便利な手段であるため、放射線画像検査は新型コロナウイルス感染症患者の等級分けと管理において重要な役割を果たしています。この研究は、画像処理が新型コロナウイルス感染症患者の管理において予後予測にさらなる有用性をもたらすかどうかという疑問に取り組んでいる。追加された X 線機能により予測パフォーマンスがわずかに向上したことが観察されたため、どの患者サブグループが追加の画像機能からより多くの恩恵を受けるかをさらに研究する動機になりました。

すべての患者において、比較対象の方法の予測精度に若干の改善が見られましたが、高齢の患者や入院時の併存疾患の負荷がより高い患者では、追加された放射線特徴により C 指数が大幅に増加することがわかりました。これらの改善の規模は比較的小さいですが、臨床上の潜在的な影響を認識しています。予測精度がわずかに向上しただけでも、臨床医が高リスクの患者を特定し、タイムリーな介入を開始できるようになり、患者の転帰に利益をもたらす可能性があります。すべての患者の生理学的錯乱が患者のイメージと密接に相関しているわけではありません35,36。例えば、両側の末梢肺浸潤を有する若い患者は酸素供給が良好で臨床的には問題がないように見えるが、高齢または病気の患者は同程度の画像異常を補うことができない可能性がある。したがって、私たちの研究で特定された指標はすべてのケースで役立つわけではありませんが、どの患者部分集団が死亡率の予測因子として画像処理からより確実に恩恵を受けることができるかを正確に特定するのに役立つ可能性があります。

院内死亡率の予測に画像データを使用することを支持する文献が増えています。キムら。 X線グレードが入院期間と挿管の確率の高さの両方に有意に関連していることを発見した7。ガラファら。らは、新型コロナウイルス特有の Brixia スコア 37 を使用して院内死亡率を予測し、その検査データの予測率は 0.52 (ロジスティック回帰) から 0.78 (ランダムフォレストと勾配ブースティング) の範囲であり、これは我々の結果に近かった。シャレーカンプら。彼らは、胸部 X 線検査を 0 から 8 ポイントの重症度スケールで段階化し 38、新型コロナウイルス感染症患者の重篤な疾患を予測するための画像ベースのリスクスコアを開発しました。ソーダら。イタリアのコホートの臨床および画像特徴を用いて患者の生存率をモデル化したところ、臨床情報のみを使用した場合はさまざまな方法で 0.68 ～ 0.76 の精度が得られ、臨床および画像特徴の両方を使用すると 0.75 ～ 0.77 の範囲に増加し、この増加率は我々のレポートと同様でした。彼らは、年齢、酸素飽和度、呼吸数、活動性がんが最も重要であることを発見し、これは私たちの調査結果と一致していました。

生の X 線画像の視覚的検査によって評価された肺の関与と COVID-19 の重症度は、死亡率を予測することが報告されています 10、11、12、40。ただし、視覚的なアプローチは主観的で不正確になりやすい可能性があります。最近の研究では、画像データの視覚的評価がこれらの同じエンドポイントと相関しない可能性がある場合、画像の不均一性に関連するテクスチャ特徴が臨床転帰を予測することが示されています41。対照的に、私たちの方法は、生存予測を支援するために画像特徴を抽出する客観的な手段を提供します。私たちの研究では、AlexNet42 や ResNet43 などの深層学習アルゴリズムでは処理できない可変サイズの画像を分析するという課題にも取り組んでいます。画像をモデルに直接フィードするのではなく、標準的なワークフローに基づいて、新型コロナウイルス感染症 (COVID-19) の生存を予測するために、画像を最大限に区別して関連するテクスチャ特徴を導き出しました 13,14,44,45,46,47。これらのテクスチャ特徴は、深層学習モデルから導出されたものよりも解釈しやすい可能性もあります48。

さらに、私たちの方法により、画像特徴を選択するときに患者の生存情報を活用することができ、いくつかの興味深い発見につながりました。私たちは、ピクセル強度の中央値と高グレーレベル強調への大きな依存性、つまり画像内の高グレーレベル値の濃度が高いことに対応する特徴が、患者の生存の重要な予測因子であることを発見しました。ゾーンエントロピーと依存性の不均一性によって特徴付けられる、テクスチャフィーチャのより大きな不均一性も予測的でした。これらの発見は現在の文献と一致しています。たとえば、我々の結果と同様に、Varghese et al. は、集中治療室の利用状況、挿管、および死亡を予測するために、特定の 1 次と 2 次のテクスチャ特徴、つまりヒストグラムと強度、それに続くグレーレベルサイズゾーンマトリックスとグレーレベル共起マトリックスの重要性を示しました 49。イオリらは、エントロピーや依存性の不均一性など、死亡率予測にとって重要なテクスチャ特徴を特定しました50。

私たちは、患者の特定のサブグループに関する予測が、これらの放射性特徴の追加によりさらに恩恵を受けることを検出しました。特に、高齢者（65 歳以上）の患者や、より高い（併存疾患の中央値 7/29 を超える）併存疾患負担を持つ患者では、生存予測の大きな改善が観察されました。私たちの結果は、画像内の疾患の重症度が併存疾患の負担と年齢に関連しているというこれまでの知見と一致しており 51,52,53 、高齢または病気の患者から得られる放射線特徴には生存に関連するより多くの情報が含まれている可能性が高いことを示唆しています。対照的に、若くて健康な患者は死亡リスクが低いため、放射線学的特徴が追加されても予後にはあまり影響しません54。

現在の研究にはいくつかの限界と将来の作業領域があることに留意します。第一に、ミシガン医学病院での入院のみが分析に含まれており、結果の一般化可能性が制限される可能性があります。ただし、私たちのワークフローは、胸部 X 線画像を使用して EHR データを分析するための一般的で有用なフレームワークを提供しており、その結果は、大規模な調査のための仮説を生成する可能性があり、他の疾患分野でも同様である可能性があります。高齢の患者や併存疾患の負荷が高い患者ではある程度の改善が観察されたため、これらの結果とその臨床的重要性を確認するには外部検証が必要です。標準的な臨床実践と比較して、特徴抽出およびスクリーニング技術の最適性と、アプローチの予測精度を評価するには、さらなる調査も必要です。私たちは、臨床実践と現在の一連の文献に基づいて、新型コロナウイルス感染症の転帰の悪化を予測することが知られている臨床予測因子を選択しました。ただし、重要とみなされている危険因子は、患者集団が多様で複雑であるため、施設ごとに異なる場合があります。さらに、私たちが提案するコンピューターベースのマルチモーダルアプローチが医療の実践を強化できるかどうかを評価するために、次のステップは、私たちのモデルから生成された予測を、共通のセットに基づいて臨床医から生成された予測と比較する研究をデザインすることです。画像および臨床的特徴の評価。このフォーカスグループのアプローチは、現在の研究の継続と検証における重要な次のステップとなるでしょう。最後に、深層学習などの他の自動化アプローチとの比較により、提案された方法の精度に関する追加のベンチマークが得られる可能性があります。

第二に、ほとんどの EHR 研究と同様に、ミシガン州医療機関を受診し、その後新型コロナウイルス感染症関連の合併症で入院した患者の間には、固有の選択バイアスが存在する可能性があります。観察可能な交絡因子と観察不可能な交絡因子に対処するために、因果推論アプローチが検討される可能性があります。第三に、入院時に検査された併存疾患は、感染に先立つ慢性疾患と区別されませんでした。これらの状態の時系列を説明するには、より詳細な研究が必要です。さらに、Quan et al.55 に基づいて、IDC-10 コードを介して併存条件が確立されました。私たちの施設では、関連する ICD-10 コードを伴う診断は通常、入院時に最初に EHR に入力され、その後遡及的に確認されます。しかし、私たちの研究でも、広く他の施設でも、患者の最初の遭遇後にこれらの状態をコーディングする際に管理上の遅れが生じる可能性があります。これには、特に最終モデルに含まれる状態について、併存疾患の特定のための適切な代替手段が必要となる場合があります。たとえば、体液および電解質障害の適応が広範に示されている研究対象集団の患者は、ナトリウムとカリウム、アシドーシス、アルカローシス、体積減少の範囲にわたる不均衡を抱えており、これらが互いに一致して、新型コロナウイルス感染症の転帰を悪化させました。このような状態を特定するための代替戦略は、より容易に利用できる可能性のある、異常な血液および尿検査値、例えば尿ナトリウムおよび／または浸透圧の増加に基づいて患者にフラグを立てることである。しかし、現在の方法では、これは、他の実際の臨床現場でこの方法をすぐに使用できるようにするには潜在的な制限となります。

最後に、死亡率は多くの場合、有害事象のリスクが高い患者、または綿密なモニタリングとより積極的な介入が必要な患者を特定するための重要な評価項目となります。しかし、新型コロナウイルス感染症は幅広い症状を呈し、多くの臨床的異常を伴うため、死亡率を単独で使用すべきではなく、臨床的診断を行う際には、患者固有の生活の質やケアなどの追加の患者中心のアウトカムを考慮する必要があります。決定56,57。

要約すると、ポータブル胸部 X 線撮影は、新型コロナウイルス感染症患者の治療を監視し、指導するための貴重なツールです。この研究では、胸部X線写真で特定された新型コロナウイルス感染症（COVID-19）肺疾患のパターンが、新型コロナウイルス感染症で入院した患者の生存転帰を予測し、それと有意に関連していることが判明した。多峰性予測モデルは、臨床リスク因子単独と比べて予後価値に若干の改善をもたらす可能性があり、新型コロナウイルス感染症患者の管理を指導する際に追加情報を提供するには、これらの改善の臨床的および生物学的基礎を理解するためのさらなる研究が必要である。

これは、(1) 2020 年 3 月 10 日 (この州で最初の症例が発生した日) から 2022 年 3 月 31 日 (発表された EHR データの締め切り日) の間にミシガン医学病院に入院した患者の予後分析でした。 ) 新型コロナウイルス感染症検査で陽性反応が出たか、陽性診断を受けて転院し、(3) 少なくとも 1 枚の新型コロナウイルス関連の胸部 X 線画像を撮影した。画像検査を受けていない患者は一般にはるかに若くて健康であり、画像は患者のトリアージやリソースの管理に貴重であるため、X 線検査を受けた患者に焦点を当てました58。私たちの結果は、入院から院内死亡までの時間であり、退院または研究の終了によって打ち切られました。これらの患者の生存期間中央値は退院後 30 日未満であったため、ホスピスへの退院を除き、退院は検閲イベントとみなされました。これは死への強力な前兆であったため、院内での死亡とホスピスへの退院の両方を失敗事象とみなしました（補足 A を参照）。

EHR データベースから、文献で COVID-19 に関連すると特定されている一連の人口統計学的、社会経済的、および臨床的危険因子 (補足 B を参照) を抽出して作成しました 59,60,61,62,63,64,65,66 、67、68、69、70、71、72。患者の人口統計には、年齢、性別、人種（黒人または非黒人）、民族性（ヒスパニックまたは非ヒスパニック）、喫煙状況、アルコール使用、および薬物使用が含まれます。患者レベルの社会経済的要因が利用できなかったため、患者の居住地に基づいて米国国勢調査区レベルで 4 つの複合社会経済的尺度を作成しました。豊かさ、不利な状況、民族移民の集中度、教育を測定するこれらの複合値は、国勢調査区域内で対応する基準を満たす成人の割合として定義され73、74、75、さらに四分位によって分類されました。文献55、76、77、78で一般的に使用されている29の一般的な併存疾患のそれぞれについて、入院時に患者が関連するICD-10コードを持っているかどうかを示すバイナリ指標を定義しました。最後に、入院後 24 時間以内に、BMI (kg/m2)、酸素飽和度、体温、呼吸数、拡張期および収縮期血圧、心拍数などの生理学的測定値を取得しました。

1 人の患者に対して複数の X 線写真が撮影される可能性があるため、入院時に最も近い X 線写真を選択し、患者の生存予測におけるその役割を調べました。まず、図 2 に示すパイプラインに従って各画像を前処理しました。まず、特徴の抽出と選択に先立って、画像の向きが一致するように、前方から後方、または後方から前方の位置から撮影された画像のみを保持しました。比較できるようになる。次に、各画像のピクセル強度が 0 (黒) ～ 255 (白) 単位の標準範囲に適合するように、これらの画像を正規化しました。さらに、ヒストグラム等化を使用して画像のコントラストを強化しました79。

画像の前処理手順。 (1) 生画像の選択、(2) ピクセル正規化、(3) ヒストグラム等化、(4) 特徴抽出、および (5) 特徴選択からなる前処理ステップのフローチャート。

大まかに言って、特徴抽出には 2 つの潜在的なアプローチが存在します。1 つは、(1) データから特徴表現を自動的に学習する人工知能手法、もう 1 つは (2) エンジニアリングされたテクスチャ特徴です。ディープラーニングは高い予測精度を持っていることが示されていますが、学習された特徴は解釈が難しく、標準化されておらず、再現できないことが多いため、信頼性に影響を与える可能性があります80。したがって、PyRadiomics ワークフローに従って、加工されたテクスチャ特徴の標準パネルを抽出しました 47,81。具体的には、前処理画像に 6 つの異なるフィルタ（異なる変換など）を適用して、追加情報（エッジや境界など）を取得し、異なる画像タイプ（形状など）を導き出しました。 7 つの画像フィルター (オリジナル + 6 つの変換) から、各画像から 7 クラスの特徴を抽出し 47、82、83、84 の結果、1311 個の画像特徴の候補が得られました。予測的な臨床特徴と画像特徴の短いリストを取得するために、各特徴に Cox 比例ハザードモデル 21 を一度に 1 つずつ当てはめ、有意なものを 0.05 レベルに保持することで特徴スクリーニングを実行しました。最後に、特徴重要度が最も高い特徴を選択し、重要な臨床的および放射線学的特徴と院内死亡率との調整された関連性を定量化する最終的な Cox モデルを取得しました 85。モデルの予測性を評価するために一致指数 (C 指数) を使用しました 27,28 (補足 C を参照)。この研究は、ミシガン州医学治験審査委員会 (HUM00192931) によって承認され、匿名化されたデータセットの二次分析に基づくインフォームドコンセントを放棄しました。すべての分析は、関連するガイドラインと規制に従って実施されました。

我々は、Cox 比例ハザードモデル 21、生存サポートベクターマシン 22、ランダム生存フォレスト 23,86、生存勾配ブースティング 24、および最初の 4 つのアルゴリズムのアンサンブル平均化 25 という 5 つのリスク予測アルゴリズムを実装しました。 Cox モデルは生存分析で最も広く使用されている方法であり、予測変数のリスク関数が線形であると仮定します。サバイバルサポートベクターマシン 22 は、非線形関係を説明できます。ランダム生存フォレストと生存勾配ブースティングはどちらも、個々の生存ツリーからの複数の予測を組み合わせて、より強力な予測を実現します 23、24、86、87。アンサンブル平均化では、複数のモデルからの予測を組み合わせて目的の出力を生成し、多くの場合、誤差を平均化することで個々のモデルよりも優れたパフォーマンスを発揮します25。補足 D では、これらの方法について詳しく説明します。

相互検証を使用して、各手法の予測性を不偏に推定しました。データをランダムに 80% のトレーニングサンプルと 20% のテストサンプルに分割し、各分割内の完全なサンプルにおけるイベントの割合を維持しました。次に、トレーニングサンプルを使用してさまざまな予測モデルをトレーニングし、テストサンプルを使用して C インデックスを計算しました。同じ手順を 100 回繰り返し、C インデックスの平均をとり、各方法の C インデックスの不偏推定値を取得しました 88,89。各方法を人口統計学的予測因子と臨床予測因子に適用し、続いて放射線特徴を追加して、C インデックスを介して増分予後有用性を評価しました。最も予測的だったアンサンブル平均法 (「結果」のセクションを参照) を使用して、院内死亡率を予測するためのリスクスコアを作成し、中央値スコアをカットオフとして使用して患者を低リスクグループと高リスクグループに分類しました。

最後に、最終的な Cox モデルを構築するための変数選択プロセスについて詳しく説明します。我々は、データ内の関連する特徴の「除去」による C インデックスの絶対的な減少によって定義される、予測における重要性に基づいて臨床特徴と画像特徴を選択しました90。そのために、データを 80% のトレーニングサンプルと 20% のテストサンプルにランダムに分割し、モデルをトレーニングデータに適合させ、テストデータを使用して特徴の重要度を計算しました (補足 D.6)。同じ手順を 100 回繰り返し、これら 100 回の実験の中から (平均して) 最も重要な特徴を選択し、それらを多変量コックス回帰に含めて、院内死亡率との統計的関連性を評価しました。すべてのデータ処理と分析は、Python (バージョン 3.8.8)、NumPy (バージョン 1.20.1)、および scikit-survival (バージョン 0.17.2) を使用して実行されました。

放射線特徴の追加によってモデルの予測パフォーマンスがどのように向上したかを評価するために、さまざまなサブグループを調べました。臨床因子の中で年齢と併存疾患負担が生存に最も関連しているため、我々は、年齢（65歳以上対 65歳以下）と入院時の併存疾患の数（併存疾患の中央値7件以上対 ≤ ）によって定義される患者サブグループをそれぞれ考慮した。異なるサブグループ間の放射性特徴の追加による予測パフォーマンスの変化を比較しました。

この研究は、ミシガン州医学治験審査委員会 (HUM00192931) によって承認され、匿名化されたデータセットの二次分析に基づくインフォームドコンセントを放棄しました。すべての分析は、関連するガイドラインと規制に従って実施されました。

この研究で使用されたデータセットは、ミシガン大学ヘルスシステム（すなわち、ミシガン医学）プレシジョンヘルスイニシアチブを通じてミシガン大学関連研究者として治験審査委員会の承認が必要なため、一般には公開されていません。詳細については、[email protected] までお問い合わせください。

この研究で見つかった結果を生成するために使用されたすべてのコードは、https://github.com/YumingSun/COVID_Imaging_Prediction で公開されています。

疾病管理予防センター。 CDC の新型コロナウイルスデータトラッカー。 https://covid.cdc.gov/covid-data-tracker/ (2022 年 6 月 13 日にアクセス) (2022)。

カリム、SSA およびカリム、QA オミクロン sars-cov-2 亜種: covid-19 パンデミックの新たな章。ランセット 398(10317)、2126–2128 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Kupferschmidt, K. & Wadman, M. デルタ変種はパンデミックの新たな段階を引き起こします。サイエンス 372(6549)、1375–1376 (2021)。

記事 ADS CAS Google Scholar

McCue, C. et al. 重症の covid-19 肺炎患者の長期転帰: 早期学習。集中治療医学。 47(2)、240–241 (2021)。

論文 CAS PubMed Google Scholar

ミケレン、M.ら。長期的な covid-19 の特徴付け: 生きた系統的レビュー。 BMJ グローブ。健康 6(9)、e005427 (2021)。

論文 PubMed Google Scholar

ヤコビ、A.ら。コロナウイルス感染症-19（covid-19）におけるポータブル胸部X線検査：写真によるレビュー。クリン。イメージング 64、35–42 (2020)。

記事 PubMed PubMed Central Google Scholar

キム、HWら。パンデミック中に covid-19 が疑われる患者のトリアージにおける初回胸部 X 線写真の役割。出現。ラジオル。 27(6)、617–621 (2020)。

記事 PubMed PubMed Central Google Scholar

Akl、EAら。 covid-19 の診断と管理における胸部画像の使用: who 迅速なアドバイスガイド。放射線学 298(2)、E63–E69 (2021)。

論文 PubMed Google Scholar

ボルコウスキー、AA 他。人工知能を使用した covid-19 胸部 X 線診断。 FRB。練習してください。 37(9)、398–404 (2020)。

PubMed PubMed Central Google Scholar

バルビ、M.ら。救急外来を受診する covid-19 患者の死亡率と換気補助の必要性を予測するための胸部 X 線写真。ユーロ。ラジオル。 31(4)、1999–2012 (2021)。

論文 CAS PubMed Google Scholar

マロルディ、R. et al. covid-19 肺炎の転帰を予測する上で、胸部 X 線スコアはどのような役割を果たしますか? ユーロ。ラジオル。 31(6)、4016–4022 (2021)。

論文 CAS PubMed Google Scholar

モナコ、CG 他救急外来に入院した covid-19 患者の胸部 X 線重症度スコア：2 施設共同研究。ユーロ。ラジオル。経験値 4(1)、68 (2020)。

記事 PubMed PubMed Central Google Scholar

フセイン、L.ら。ポータブル胸部 X 線写真のテクスチャ特徴の機械学習による分類により、新型コロナウイルス感染症の肺感染症が正確に分類されます。バイオメッド。工学オンライン 19(1)、88 (2020)。

記事 PubMed PubMed Central Google Scholar

Ismael, AM および Şengür, A. 胸部 X 線画像に基づく covid-19 検出のためのディープラーニングアプローチ。エキスパートシステム。応用 164(114)、054(2021)。

Google スカラー

サルバトーレ、M.ら。ミシガン州医療の電子医療記録データを使用した、人種別の covid-19 転帰に関するフェノムワイド関連研究 (phewas) です。Ｊ．クリン．医学。 10(7)、1351 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Spector-Bagdady、K. et al. 主要な学術医療センターにおける2019年コロナウイルス病（covid-19）臨床試験の監督：ミシガン医学のアプローチ。クリン。感染する。ディス。 71(16)、2187–2190 (2020)。

論文 CAS PubMed Google Scholar

Nypaver, M. et al. ミシガン州救急部門改善協力：小児救急医療における大規模な診療変更を実施するための新しいモデル。小児科 142(1 会議抄録)、105 (2018)。

記事 Google Scholar

Abbas, A.、Abdelsamea, MM、Gaber, MM DeTraC ディープ畳み込みニューラルネットワークを使用した胸部 X 線画像における COVID-19 の分類。応用知性。 51、854–864 (2021)。

記事 Google Scholar

グプタ、A.ら。先行スタチン使用と新型コロナウイルス感染症入院患者の死亡率低下との関連性。ナット。共通。 12(1)、1325 (2021)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Cox、DR 回帰モデルと生命表 (ディスカッション付き)。 JR駅社会 B 34(2)、187–220 (1972)。

数学 Google Scholar

Therneau, TM & Grambsch, PM 生存データのモデリング: コックスモデルの拡張。 The Cox Model 39–77 (Springer、2000) に記載。

数学 Google Scholar

Pölsterl, S.、Navab, N.、Katouzian, A. カーネル生存サポートベクターマシンの効率的なトレーニングアルゴリズム。 https://doi.org/10.48550/arXiv.1611.07054 (プレプリントは 2016 年 11 月 21 日にオンラインで掲載されました)。

イシュワラン、H. et al. ランダムサバイバルフォレスト。アン。応用統計 2(3)、841–860 (2008)。

記事 MathSciNet MATH Google Scholar

ホットホーン、T. et al. サバイバルアンサンブル。生物統計学 7(3)、355–373 (2006)。

論文 PubMed MATH Google Scholar

Zhou、ZH アンサンブルメソッド: 基礎とアルゴリズム (CRC Press、2012)。

Google Scholar を予約する

Zwanenburg, A. et al. 画像バイオマーカー標準化イニシアチブ。 https://doi.org/10.48550/arXiv.1612.07003 (プレプリントは 2016 年 12 月 21 日にオンライン掲載)

ハレル、FE 他。医療検査の歩留まりを評価する。 JAMA 247(18)、2543–2546 (1982)。

論文 PubMed Google Scholar

Harrell, FE Jr.、Lee, KL & Mark, DB 多変数予後モデル: モデルの開発、仮定と妥当性の評価、誤差の測定と削減における問題。統計医学。 15(4)、361–387 (1996)。

3.0.CO;2-4" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-0258%2819960229%2915%3A4%3C361%3A%3AAID-SIM168%3E3.0.CO%3B2-4" aria-label="Article reference 28" data-doi="10.1002/(SICI)1097-0258(19960229)15:43.0.CO;2-4">論文 PubMed Google Scholar

ホルステ、G. et al. MRI からの乳がん分類を改善するために、融合された画像特徴と非画像特徴をエンドツーエンドで学習します。 IEEE/CVF International Conference on Computer Vision の議事録、3294–3303 (2021)。

周、H.ら。肺がんの遠隔転移の診断: 臨床的特徴と放射線学的特徴に基づきます。翻訳。オンコル。 11(1)、31–36 (2018)。

論文 PubMed Google Scholar

Militello, C. et al. 冠動脈疾患を予測するための CT 放射性特徴と臨床バイオマーカー。認知。計算します。 15(1)、238–253 (2023)。

記事 Google Scholar

Huang、SC et al. CT イメージングと電子医療記録を活用するためのディープニューラルネットワークとのマルチモーダルな融合: 肺塞栓症検出のケーススタディ。科学。議員 10(1)、1–9 (2020)。

記事 Google Scholar

Liu、Z.ら。腫瘍の正確な診断と治療のためのゲノミクスのイメージング: 最先端の概要。バイオメッド。薬剤師。 135、111173（2021）。

論文 CAS PubMed Google Scholar

Tomaszewski、MR & Gillies、RJ 放射線特徴の生物学的意味。放射線学 298(3)、505–516 (2021)。

論文 PubMed Google Scholar

Brouqui、P. et al. COVID-19 における無症候性の低酸素症は予後不良と関連しています。内部。 J.感染する。ディス。 102、233–238 (2021)。

論文 CAS PubMed Google Scholar

Struyf, T. et al. コクラン COVID-19 診断検査精度グループ。プライマリケアまたは病院の外来患者が新型コロナウイルス感染症に感染しているかどうかを判断するための兆候と症状。コクランデータベースシステム改訂版 (5) (2022)。

Garrafa、E. et al. covid-19 患者の院内死亡の早期予測: 年齢、血液分析、胸部 X 線スコアに基づく機械学習モデル。 Elife 10、e70640 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Schalekamp, S. et al. モデルに基づいた、新型コロナウイルス感染症の入院患者における重篤な疾患の予測。放射線学 298(1)、E46–E54 (2021)。

論文 PubMed Google Scholar

ソーダ、P. et al. Aiforcovid: 胸部 X 線写真に AI を適用して covid-19 患者の臨床転帰を予測します。イタリアの多施設研究。医学。アナル画像。 74、102216 (2021)。

記事 PubMed PubMed Central Google Scholar

シェン、B.ら。最初の胸部 X 線検査のスコアにより、covid-19 の状態、集中治療室への入院、人工呼吸器の必要性がわかります。クリン。ラジオル。 76(6)、473.e1-473.e7 (2021)。

論文 CAS PubMed Google Scholar

Liu、Y.ら。肺腺癌における造影CTの組織解析によって評価された腫瘍の不均一性：病理学的グレードとの関連。オンコターゲット 8(32)、53664–53674 (2017)。

記事 PubMed PubMed Central Google Scholar

Krizhevsky, A.、Sutskever, I.、および Hinton, GE によるディープ畳み込みニューラルネットワークによる Imagenet 分類。上級ニューラル。情報プロセス。システム。 25、1–9 (2012)。

Google スカラー

彼、Ｋら。画像認識のための深層残差学習。コンピュータービジョンとパターン認識に関する IEEE 会議議事録、770–778 (2016)。

チャンドラ、TB 他多数決ベースの分類子アンサンブルを使用した胸部 X 線画像内のコロナウイルス感染症 (covid19) の検出。エキスパートシステム。応用 165(113)、909(2021)。

Google スカラー

Johri, S. et al. 胸部 X 線画像を使用して covid-19 を自動検出するための、機械学習ベースの新しい分析フレームワークです。内部。 J. イメージングシステム。テクノロジー。 31(3)、1105–1119 (2021)。

記事 Google Scholar

Selvi, JT、Subbashini, K.、Methini, M. テクスチャ特徴を使用した covid-19 胸部 X 線画像の調査 - 包括的なアプローチ。計算 1、45–58 (2021)。

数学 Google Scholar

ファン・グリートハイセン、JJM 他放射線写真の表現型を解読する計算ラジオミクスシステム。がん研究所 77(21)、e104–e107 (2017)。

記事 PubMed PubMed Central Google Scholar

Zhang, Q.、Wu, YN & Zhu, SC 解釈可能な畳み込みニューラルネットワーク。コンピュータービジョンとパターン認識に関する IEEE 会議議事録、8827–8836 (2018)。

Varghese, BA et al. 胸部 X 線写真のラジオミクスを使用して covid-19 の臨床転帰を予測します。 Br. Ｊ．Ｒａｄｉｏｌ． 94(1126)、20210221(2021)。

論文 PubMed Google Scholar

伊織 M. 他広い胸部 X 線サンプルサイズから抽出されたラジオミックおよびニューラルネットワークの特徴を使用した COVID-19 患者の死亡率予測: さまざまな医療の不均衡シナリオに対する堅牢なアプローチ。応用科学。 12(8)、3903 (2022)。

記事 CAS Google Scholar

ブレイン、M.ら。胸部 X 線画像のディープラーニングを使用した covid-19 患者の重症度の判定。診断します。介入ラジオル。 27(1)、20–27 (2021)。

論文 PubMed Google Scholar

Liu、X.ら。 covid-19 患者における経時的 X 線写真の変化: 疾患の重症度およびウイルス除去との関係。科学。議員 10(1)、10263 (2020)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Yasin, R. & Gouda, W. 胸部 X 線所見により、新型コロナウイルス感染症の経過と重症度をモニタリング。エジプト。Ｊ．Ｒａｄｉｏｌ． Nucl. 医学。 51(1)、193 (2020)。

記事 Google Scholar

Castelli, G. et al. 簡単なコミュニケーション: 若い covid-19 患者の胸部 X 線撮影スコア: ワンサイズですべてに適合しますか? PLoS ONE 17(2)、e0264172 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

クアン、H.ら。 icd-9-cm および icd-10 管理データ内の併存疾患を定義するためのコーディングアルゴリズム。医学。ケア 43(11)、1130–1139 (2005)。

論文 PubMed Google Scholar

Cau、R.ら。長期にわたる新型コロナウイルス診断: 診断から高度な AI 駆動モデルまで。ユーロ。Ｊ．Ｒａｄｉｏｌ． 148、110164 (2022)。

記事 PubMed PubMed Central Google Scholar

スドレ、CH et al. 長期にわたる新型コロナウイルスの属性と予測因子。ナット。医学。 27(4)、626–631 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Jiao、Z.ら。胸部 X 線写真と臨床データに基づく人工知能を使用した covid-19 患者の予後: 後ろ向き研究。ランセットディジット。健康 3(5)、e286–e294 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Alqahtani、JS et al. covid-19患者におけるcopdと喫煙に関連する有病率、重症度、死亡率：迅速な体系的レビューとメタ分析。 PLoS ONE 15(5)、e0233147 (2020)。

論文 CAS PubMed PubMed Central Google Scholar

疾病管理予防センター。重症 covid-19 のリスクが高い状態に関する科学的証拠。 https://www.cdc.gov/coronavirus/2019-ncov/science/sciencebriefs/underlying-evidence-table.html (2022 年 6 月 13 日にアクセス) (2022)。

エビンガー、J.E. et al. covid-19 疾患の重症度に関連する既存の特性。 PLoS ONE 15(7)、e0236240 (2020)。

論文 CAS PubMed PubMed Central Google Scholar

ジョーダン、RE、アダブ、P.、チェン、KK 新型コロナウイルス感染症: 重篤な疾患と死亡の危険因子。 BMJ 368、m1198 (2020)。

論文 PubMed Google Scholar

カーン、MMA 他基礎疾患が covid-19 患者の死亡発生に及ぼす影響：体系的レビューとメタ分析。Ｊ．Ｇｌｏｂ．健康 10(2)、020503 (2020)。

記事 PubMed PubMed Central Google Scholar

キム、L.ら。米国コロナウイルス感染症 2019 (covid-19) 関連入院監視ネットワーク (covid-net) を通じて特定された、成人入院患者の集中治療室への入院と院内死亡の危険因子。クリン。感染する。ディス。 72(9)、e206–e214 (2021)。

論文 CAS PubMed Google Scholar

三上哲ほかニューヨーク市における covid-19 患者の死亡の危険因子。 J.インターン将軍。医学。 36(1)、17–26 (2021)。

論文 PubMed Google Scholar

Rod , JE 、 Oviedo-Trespalacios , O. & Cortes-Ramirez , J. 新型コロナウイルス感染症 (COVID-19) の重症度の危険因子の簡単なレビュー。神父牧師公衆衛生学 54、60 (2020)。

論文 CAS PubMed PubMed Central Google Scholar

サレルノ、S. et al. covid-19 患者の短期および長期転帰の包括的評価: 医療利用と入院後の転帰の格差。 PLoS ONE 16(10)、e0258278 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Ssentongo, P. et al. 心血管疾患および他の10の既存の併存疾患と新型コロナウイルス感染症による死亡との関連：体系的レビューとメタ分析。 PLoS ONE 15(8)、e0238215 (2020)。

論文 CAS PubMed PubMed Central Google Scholar

Wang、B.ら。併存疾患は covid-19 患者のリスクを高めますか: メタ分析による証拠。高齢化 12(7)、6049–6057 (2020)。

論文 CAS PubMed PubMed Central Google Scholar

ウィリアムソン、EJ 他。 opensafely を使用した covid-19 関連の死亡に関連する要因。 Nature 584(7821)、430–436 (2020)。

論文 CAS PubMed PubMed Central Google Scholar

Wu, Z. & McGoogan, JM 中国における 2019 年コロナウイルス感染症 (covid-19) 流行の特徴とそこからの重要な教訓: 中国疾病管理予防センターからの 72,314 件の症例報告の概要。 JAMA 323(13)、1239–1242 (2020)。

論文 CAS PubMed Google Scholar

ヤン、Ｊ．ら。 SARS-CoV-2 感染患者における併存疾患の有病率とその影響:系統的レビューとメタ分析。内部。 J.感染する。ディス。 94、91–95 (2020)。

論文 CAS PubMed PubMed Central Google Scholar

Clarke, P. & Melendez, R. (ミシガン州アナーバー) 全国近隣データアーカイブ (nanda): 米国の国勢調査地区の近隣の社会経済的および人口統計的特徴、2000 ～ 2010 年。政治社会研究のための大学間コンソーシアム。

Gu、T.ら。学術的な医療システムにおける covid-19 転帰における人種/民族の格差に関連する特徴。自工会ネットワーク。 3(10)、e2025197 (2020) を開きます。

記事 PubMed PubMed Central Google Scholar

サレルノ、S. et al. 患者の特徴と転帰に関連した covid-19 の診断検査の繰り返しのパターン。 J.インターン。医学。 289(5)、726–737 (2021)。

論文 CAS PubMed Google Scholar

Crabb、BT et al. 病気と関連する健康問題の国際分類の比較、コロナウイルス感染症の症状のある患者における電子医療記録と第 10 回改訂コード 2019。JAMA Netw。 3(8)、e2017703 (2020) を開きます。

記事 PubMed PubMed Central Google Scholar

Elixhauser、A. et al. 管理データと併用するための共存対策。医学。 Care 36(1)、8–27 (1998)。

論文 CAS PubMed Google Scholar

van Walraven, C. et al. エリックスハウザーの併存疾患尺度を、管理データを使用した病院死亡のポイントシステムに修正。医学。 Care 47(6)、626–633 (2009)。

論文 PubMed Google Scholar

Jain、AK デジタル画像処理の基礎 (Prentice-Hall Inc、1989)。

数学 Google Scholar

Yip、SS & Aerts、HJ ラジオミクスの応用と限界。物理学。医学。バイオル。 61(13)、R150 (2016)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Galloway, MM グレーレベルランレングスを使用したテクスチャ分析。計算します。グラフ。画像処理。 4(2)、172–179 (1975)。

記事 Google Scholar

Chu, A.、Sehgal, CM & Greenleaf, JF テクスチャ分析のためのランレングスのグレー値分布の使用。パターン認識。レット。 11(6)、415–419 (1990)。

記事 ADS MATH Google Scholar

haralick, RM、Shanmugam, K. & Dinstein, I. 画像分類のためのテクスチャ特徴。 IEEEトランス。システム。サイバーン男。 SMC 3(6)、610–621 (1973)。

記事 Google Scholar

Thibault, G. et al. 形状と質感のインデックスを細胞核の分類に適用します。内部。 J. パターン認識アーティフ。知性。 27(01)、1357002 (2013)。

記事 MathSciNet Google Scholar

Fisher, A.、Rudin, C. & Dominici, F. すべてのモデルは間違っていますが、多くは役に立ちます。予測モデルのクラス全体を同時に研究することで、変数の重要性を学習します。 J.マッハ。学ぶ。解像度 20(177)、1–81 (2019)。

MathSciNet CAS MATH Google Scholar

イシュワラン、H. et al. 高次元データのランダム生存フォレスト。統計アナル。データ最小値 ASA データサイエンス。 J. 4(1)、115–132 (2011)。

記事 MathSciNet MATH Google Scholar

Salerno, S. & Li, Y. 高次元生存分析: 方法と応用。 https://doi.org/10.48550/arXiv.2205.02948 (プレプリントは 2022 年 5 月 5 日にオンラインで掲載されました)。

宇野宏ほか打ち切り回帰モデルを使用した t 年生存者の予測ルールの評価。混雑する。統計准教授 102(478)、527–537 (2007)。

記事 MathSciNet CAS MATH Google Scholar

宇野宏ほか打ち切り生存データを使用したリスク予測手順の全体的な適切性を評価するための c 統計について。統計医学。 30(10)、1105–1117 (2011)。

論文 MathSciNet PubMed PubMed Central Google Scholar

ブライマン、L. ランダムフォレスト。マッハ。学ぶ。 45(1)、5–32 (2001)。

記事 MATH Google Scholar

リファレンスをダウンロードする

ミシガン州医療プレシジョンヘルスイニシアチブを通じて新しく立ち上げられた GPU ベースの分析プラットフォームである DataDirect の開発とキュレーションを主導してくださった Brahmajee Nallamothu 博士に感謝します。データベース管理、データ処理、DataDirect プラットフォームの使用に関して継続的な分析サポートをしていただいた Anisa Driscoll 氏と Cinzia Smothers 氏に感謝します。さらに、この原稿の改訂に役立った洞察力に富んだコメントと提案をくださった Hamid Usefi 博士と 2 人の査読者に感謝いたします。

国立衛生研究所、国立がん研究所は R01-CA249096-01A1 (YL) を助成しています。

これらの著者は同様に貢献しました: Yuming Sun と Stephen Salerno。

ミシガン大学生物統計学部、1415 Washington Heights、Ann Arbor、MI、48109、USA

ユーミン・サン、スティーヴン・サレルノ、シンウェイ・ヘ、ツィヤン・パン、アイリーン・ヤン、チナコーン・スジモンコン、ジヨン・ソン、ペイソン・ハン、ジアン・カン、イー・リー

環境衛生疫学学部、ハーバード大学THチャン公衆衛生大学院、677 Huntington Avenue、ボストン、マサチューセッツ州、02115、米国

王詩南 & デビッド・C・クリスティアーニ

呼吸器・救命救急部門、ミシガン大学医学部内科、1500 East Medical Center Drive、Ann Arbor、MI、48109、USA

マイケル・W・ショーディング

ミシガン大学ロゲルがんセンター放射線腫瘍科、1500 East Medical Center Drive、Ann Arbor、MI、48109、USA

シュルティ・ジョリー

マサチューセッツ総合病院、呼吸器・救命救急部門、55 Fruit Street、Boston、MA、02114、USA

デビッド・C・クリスティアーニ

PubMed Google Scholar でこの著者を検索することもできます

概念化：YS、SS、PH、JK、YL 方法論：YS、SS、XW、PH、JK、MWS、SJ、DCC、YL 調査：YS、SS、XH、ZP、EY、CS、JS、XW 可視化：YS 、SS監修：XW、PH、JK、MWS、SJ、DCC、YL 執筆―原案：YS、SS、XH、YL 執筆―校閲・編集：YS、SS、XH、ZP、EY、CS、JS、XW 、PH、JK、MWS、SJ、DCC、YL

イ・リーへの対応。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Sun、Y.、Salerno、S.、He、X. 他機械学習を使用して、院内の新型コロナウイルス感染症による死亡率に対する放射線特徴の予後有用性を評価します。 Sci Rep 13、7318 (2023)。 https://doi.org/10.1038/s41598-023-34559-0

引用をダウンロード

受信日: 2022 年 9 月 29 日

受理日: 2023 年 5 月 3 日

公開日: 2023 年 5 月 5 日

DOI: https://doi.org/10.1038/s41598-023-34559-0

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。

前: 新しいコースが人文社会科学の大学院生に機械学習を教え込む次: 子供が AI と機械学習について学ぶのに役立つ 7 つのベスト Web サイト

お問い合わせを送信

送信