ترجمه فارسی مقاله BeyondCT: یک مدل یادگیری عمیق برای پیش‌بینی عملکرد ریوی از اسکن‌های سی‌تی‌اسکن قفسه سینه

چکیده

Abstract Background: Pulmonary function tests (PFTs) and computed tomography (CT) imaging are vital in diagnosing, managing, and monitoring lung diseases. A common issue in practice is the lack of access to recorded pulmonary functions despite available chest CT scans. Purpose: To develop and validate a deep learning algorithm for predicting pulmonary function directly from chest CT scans. Methods: The development cohort came from the Pittsburgh Lung Screening Study (PLuSS) (n=3619). The validation cohort came from the Specialized Centers of Clinically Oriented Research (SCCOR) in COPD (n=662). A deep learning model called BeyondCT, combining a three-dimensional (3D) convolutional neural network (CNN) and Vision Transformer (ViT) architecture, was used to predict forced vital capacity (FVC) and forced expiratory volume in one second (FEV1) from non-contrasted inspiratory chest CT scans. A 3D CNN model without ViT was used for comparison. Subject demographics (age, gender, smoking status) were also incorporated into the model. Performance was compared to actual PFTs using mean absolute error (MAE, L), percentage error, and R square. Results: The 3D-CNN model achieved MAEs of 0.395 L and 0.383 L, percentage errors of 13.84% and 18.85%, and R square of 0.665 and 0.679 for FVC and FEV1, respectively. The BeyondCT model without demographics had MAEs of 0.362 L and 0.371 L, percentage errors of 10.89% and 14.96%, and R square of 0.719 and 0.727, respectively. Including demographics improved performance (p<0.05), with MAEs of 0.356 L and 0.353 L, percentage errors of 10.79% and 14.82%, and R square of 0.77 and 0.739 for FVC and FEV1 in the test set. Conclusion: The BeyondCT model showed robust performance in predicting lung function from non-contrast inspiratory chest CT scans.

چکیده به فارسی (ترجمه ماشینی)

سابقه و هدف انتزاعی: آزمایشات عملکرد ریوی (PFTS) و تصویربرداری توموگرافی کامپیوتری (CT) در تشخیص ، مدیریت و نظارت بر بیماری های ریه بسیار مهم است.یک مسئله مشترک در عمل عدم دسترسی به عملکردهای ریوی ثبت شده با وجود اسکن CT قفسه سینه موجود است.هدف: توسعه و اعتبارسنجی یک الگوریتم یادگیری عمیق برای پیش بینی عملکرد ریوی به طور مستقیم از اسکن CT قفسه سینه.مواد و روش ها: گروه توسعه از مطالعه غربالگری ریه پیتسبورگ (PLUS) (PLUS) (3619 = n) آمده است.گروه اعتبار سنجی از مراکز تخصصی تحقیقات بالینی گرا (SCCOR) در COPD (662 نفر) آمده است.یک مدل یادگیری عمیق به نام Beyondct ، ترکیب یک شبکه عصبی سه بعدی (3D) (CNN) و ترانسفورماتور بینایی (VIT) ، برای پیش بینی ظرفیت حیاتی اجباری (FVC) و حجم اجباری اجباری در یک ثانیه (FEV1) از آن استفاده شد.اسکن CT قفسه سینه الهام بخش بدون کنترل.از یک مدل CNN سه بعدی بدون VIT برای مقایسه استفاده شد.جمعیت شناسی موضوع (سن ، جنس ، وضعیت سیگار کشیدن) نیز در مدل گنجانیده شد.عملکرد با PFT های واقعی با استفاده از میانگین خطای مطلق (MAE ، L) ، خطای درصد و مربع R مقایسه شد.یافته ها: مدل 3D-CNN به ترتیب MAES 0.395 L و 0.383 L ، درصد خطاهای 13.84 ٪ و 18.85 ٪ و مربع R از 0.665 و 0.679 برای FVC و FEV1 به دست آورد.مدل BeyondCT بدون جمعیت شناسی دارای MAE های 0.362 L و 0.371 L ، درصد خطاهای 10.89 ٪ و 14.96 ٪ و مربع R به ترتیب 0.719 و 0.727 بود.از جمله جمعیت شناسی عملکرد بهبود یافته است (P <0.05) ، با MAES 0.356 L و 0.353 L ، درصد خطاهای 10.79 ٪ و 14.82 ٪ و مربع R 0.77 و 0.739 برای FVC و FEV1 در مجموعه آزمایش.نتیجه گیری: مدل BeyondCT عملکرد قوی را در پیش بینی عملکرد ریه از اسکن CT قفسه سینه بدون کنتراست نشان داد. [sc name="papertranslation"][/sc]