Zielsetzung Ziel der Studie war die Prädiktion von Lungenfunktionsparametern (LFP) FVC, FEV1, DLCO aus automatisch segmentierten HRCT-Datensätzen von Patienten mit systemischer Sklerose, welche mittels Machine-Learning-Algorithmen aufgearbeitet wurden.
Material und Methoden Lungen aus 81 HRCTs von Patienten mit systemischer Sklerose wurden retrospektiv automatisiert segmentiert (syngo.via, Pulmonary 3D, Siemens). Erfasst wurden u.a. mittlere Lungendichte (MLD), Volumen und densitometrisch ermittelte HU-Bereiche (-1000 bis -901, -900 bis -801,…, -100 bis 0 HU). Zusätzlich differenziert wurde beidseits die periphere Zone (bis 10mm subpleural). Bei insgesamt 84 erfassten CT-Parametern wurden zur Prädiktion der Lungenfunktionsparameter (LFP) mit multivariater Regression und Klassifikation Random Forest Algorithmen trainiert. Folgende Cut-offs der Lungenfunktionsparameter zur Klassifikation wurden definiert: FVC<70%, FEV1<80% und DLCO <40%.
Ergebnisse Bei 8 von 81 HRCT-Datensätzen (9,5%) waren geringfügige manuelle Anpassungen der automatischen Segmentierung bei Vorliegen von subpleuralen Konsolidierungen nötig. Unser Modell identifizierte 6 optimale Parameter: Beidseits periphere Zone, HU-Bereiche von -400 bis -301 HU sowie -300 bis -201 HU. In der multivariaten Regression konnte die Kombination dieser Parametern für FVC, FEV1 und DLCO Korrelationskoeffizienten von r=0.77/0.77/0.43 (p<0,01) erreichen. Die Korrelation der Einzelparameter zeigte Korrelationskoeffizienten von r=0.66/0.69/-0.47. In der Klassifikation wurden Sensitivitäten von 90/86/87% und Spezifitäten von 81/71/50% (AUCROC 0,89/0,87/0,67) erreicht. Alle einzeln betrachteten Parameter klassifizierten die jeweiligen Lungenfunktionsparameter jeweils hoch signifikant (p<0,01).
Schlußfolgerungen Durch die Verwendung von Machine Learning Algorithmen war es möglich, quantitative Parameter aus automatisiert segmentierten HRCT-Datensätzen zu gewinnen und diese zur Prädiktion der Lungenfunktion bei Patienten mit systemischer Sklerose zu verwenden.
