Desenvolvimento e aplicação de um modelo de diagnóstico precoce abrangente baseado em aprendizado profundo para doença pulmonar obstrutiva crônica

Resumo Background A doença pulmonar obstrutiva crônica (DPOC) é uma condição frequentemente diagnosticada e tratável, desde que seja identificada precocemente e gerida de forma eficaz. Este estudo tem como objetivo desenvolver um modelo avançado de diagnóstico de DPOC integrando características de aprendizado profundo e radiômica. Métodos Utilizamos um conjunto de dados composto por imagens de tomografia computadorizada (TC) de 2.983 participantes, dos quais 2.317 também forneceram dados epidemiológicos por meio de questionários. As características de aprendizado profundo foram extraídas usando um Autoencoder Variacional, e as características de radiômica foram obtidas usando o pacote PyRadiomics. Perceptrons de Múltiplas Camadas foram utilizados para construir modelos com base em características de aprendizado profundo e radiômica de forma independente, assim como um modelo de fusão que integra ambos. Subsequentemente, os dados do questionário epidemiológico foram incorporados para estabelecer um modelo mais abrangente. O desempenho diagnóstico dos modelos independentes, do modelo de fusão e do modelo abrangente foi avaliado e comparado usando métricas, incluindo acurácia, precisão, recall, F1-score, Brier score, curvas de característica de operação do receptor e área sob a curva (AUC). Resultados O modelo de fusão apresentou desempenho excepcional com uma AUC de 0,952, superando os modelos independentes baseados apenas em características de aprendizado profundo (AUC = 0,844) ou características de radiômica (AUC = 0,944). Notavelmente, o modelo abrangente, incorporando características de aprendizado profundo, características de radiômica e variáveis do questionário, demonstrou o mais alto desempenho diagnóstico entre todos os modelos, resultando em uma AUC de 0,971. Conclusão Desenvolvemos e implementamos uma estratégia de fusão de dados para construir um modelo de diagnóstico de DPOC de última geração, integrando características de aprendizado profundo, características de radiômica e variáveis do questionário. Nossa estratégia de fusão de dados provou ser eficaz, e o modelo pode ser facilmente implementado em contextos clínicos. Registro do ensaio Não aplicável. Este estudo NÃO é um ensaio clínico, não relata os resultados de uma intervenção em saúde em participantes humanos.