慢性阻塞性肺病（COPD）是一种进行性的炎症性疾病，其特点是由肺活量测定的气流受限的不可逆。众所周知，慢性阻塞性肺病的诊断往往是在病程的后期。发现慢性阻塞性肺病，特别是在早期阶段可以在肺部发生不可逆转的结构变化之前开始治疗以逆转疾病的进展。

计算机断层扫描（CT）成像可用于量化COPD的异质性结构异常。例如，反映肺气肿和气道疾病的定量CT（QCT）测量方法显示出诊断COPD的能力及价值，并可预测未来COPD患者的住院情况及预后。然而，这些QCT测量值的提取十分耗时且依靠专家来策划测量值，因此结果具有偏差。

基于纹理的放射组学特征可以从CT图像中提取的定量特征，为临床提供关于体素灰度的相关信息。与既定的QCT测量方法相比，如-950HU以下的低衰减区（LAA950）反映了肺部气肿的百分比，基于纹理的放射组学评估了体素的空间关系。尽管基于纹理的放射组学分析可更广泛地应用于癌症，如肿瘤的定性和分级，但最近的研究正在研究基于CT纹理的放射组学特征以识别COPD患者。

现阶段，各种类型的特征选择方法已经与机器学习一起用于COPD，包括：过滤器、嵌入式和包装器方法。此外，对于机器学习分类方法，常见的方法包括：逻辑回归、随机森林、支持向量机、K-近邻、贝叶斯和多层感知器。虽然有一项研究比较了预测COPD状态的各种特征选择和机器学习方法，但没有研究对常用的各种方法进行全面比较，也没有使用所有可用的基于纹理的放射学特征集，并将模型性能与既定的QCT测量进行比较。因此，目前还不知道哪种基于纹理的放射学特征集以及哪种特征选择和分类方法的组合对COPD的分类具有最高的准确性。

近日，发表在academic radiology杂志的一项研究探讨了特征选择和分类方法各种组合对COPD状态分类的能力及价值，为临床进行准确的患者分类及风险评估提供了参考依据。

本项研究将来自多中心的加拿大队列阻塞性肺病（CanCOLD）研究的CT图像经过预处理，并将图像重新取样为1毫米的各向同性体素体积以分割肺部并去除气道（VIDA诊断公司），并应用-1000HU-0HU的阈值。然后从每张CT图像中提取了总共95个纹理特征。对17种特征选择方法和9种分类器的组合进行了测试和评估。使用接受者操作特征曲线的曲线下面积（AUC）来评估模型性能。

共评估了1204名参与者（n = 602名无COPD，n = 602名COPD）。女性（无COPD=46.3%；COPD=38.5%；P=0.77）和体重指数（无COPD=27.7 kg/m²；COPD=27.4 kg/m²；P=0.21）在各组之间没有显著差异。在使用弹性网与线性-SVM分类器进行数据清理和特征选择后，预测COPD状态的AUC值最高（AUC=0.78[0.73, 0.84]）。

图 3种验证技术的COPD分类的平均AUC比较。平均AUC值是针对所有153种机器学习组合计算的。AUC=曲线下面积；CV=交叉验证；*=显著差异（P值<0.001）

研究表明，基于放射组学预测COPD状态的最佳组合是Elastic Net作为特征选择方法和Linear-SVM作为分类器的组合。

原始出处：

Kalysta Makimoto,Ryan Au,Amir Moslemi,et al.Comparison of Feature Selection Methods and Machine Learning Classifiers for Predicting Chronic Obstructive Pulmonary Disease Using Texture-Based CT Lung Radiomic Features.DOI:10.1016/j.acra.2022.07.016