卞琥珀，钱慧盈，朱少奇，薛靖楠，戚鲁颖，彭秀华，李梅，郑屹峰，徐朋亮，赵红星，蒋建萍

摘要

目的：评估深度学习影像组学列线图在预测慢性阻塞性肺疾病（COPD）患者并发冠心病（CHD）风险方面的有效性。

方法：这项回顾性研究纳入了来自2个不同中心的543例COPD患者，收集这些患者的临床及影像资料。将中心1的398例患者，按照7:3的比例随机分为训练集和内部验证集。而外部测试集则由来自中心2的145例患者组成，我们从计算机断层扫描（CT）图像中提取影像组学特征以及使用RseNet50生成了深度迁移学习（DTL）特征。通过整合传统临床数据、影像组学和3D深度学习特征，开发了一种联合模型，从而预测COPD患者并发CHD的风险。

结果：训练、内部验证和外部验证队列的临床模型AUC值为 0.771、0.759和0.661，影像组学模型的AUC值为 0.826、0.752和0.666，DLR模型的AUC值为 0.831、0.767和0.732，列线图模型的AUC值为 0.848、0.8和0.761。列线图模型优于临床模型与影像组学模型。同时决策曲线分析 （DCA）表明，我们的列线图模型在预测COPD患者并发CHD风险方面提供了相当大的优势。此外，与其他模型相比，它始终提供更大的净收益潜力，凸显了其有效性。

结论：结合临床特征、影像组学特征和深度学习特征的列线图模型在预测COPD患者患CHD的风险方面表现出有希望的性能。它有可能为CHD的早期干预与管理提供有价值的信息。

关键词：慢性阻塞性肺疾病、冠心病、深度学习、影像组学、列线图