慢性阻塞性肺病（COPD）是一个重要的健康问题，在全世界范围内的死亡原因中排名第四。由于COPD是一种需要长期随访的慢性疾病，预测COPD患者的预期寿命对于确定随访和治疗计划非常重要。
以前的研究提出了有关COPD的各种进展参数，包括年龄、症状、急性恶化史、体重指数（BMI）、合并症、运动能力和1秒内用力呼气量（FEV1）。此外，临床上已经开发了几个整合了多个临床参数和COPD特定合并症测试的临床指数，包括BODE、ADO、CPIS和GOLD指数。然而，很少有临床指数将放射学信息纳入其中。
胸片是应用最广泛进行的放射学检查，但其作为预后预测因素的作用还没有被彻底研究。在这方面，深度学习模型可用于从COPD患者的胸片中提取相关信息。通过使用卷积神经网络（CNN），深度学习模型可能能够为预后应用提取相关的定量值。此外，分类器与CNN的有效并行合并使图像数据和临床因素的处理能够产生有价值的结果。
近日，发表Radiology杂志的一项研究使用胸片（以下简称DLSPCXR）并将其与其他容易获得的临床因素（以下简称DLSPinteg）相结合，开发并验证了一个基于深度学习的COPD患者生存预测器，为临床快速准确的评估患者的病情及风险分层提供了支持。
本项回顾性研究、收集了2011-2015年接受支气管扩张后肺活量测定和胸片检查的COPD患者的数据，并将其分为训练（n=3475）、验证（n=435）和内部测试（n=315）数据集。训练了从胸片预测生存率的算法（以下简称DLSPCXR），然后将年龄、体重指数和1秒内强制呼气量（FEV1）整合到模型中（以下简称DLSPinteg）。
对于外部测试，收集了三个独立的队列（n=394、416和337）。DLSPCXR的鉴别性能是通过使用5年生存期的ROC曲线下的时间依赖面积（TD AUCs）进行评估的。使用Hosmer-Lemeshow检验来评估拟合的良好性。使用一个外部测试数据集，DLSPinteg与四个COPD特定的临床指数进行了比较。使用BODE、ADO、COPD评估测试（CAT）和圣乔治呼吸调查问卷（SGRQ）。
在三个外部测试队列中的两个队列中，DLSPCXR在预测5年生存率方面的表现比FEV1高（TD AUC。0.73vs0.63[P=.004]；0.67＝vs0.60[P=.01]；0.76vs0.77[P =.91]）。DLSPCXR在所有队列中表现出良好的校准。DLSPinteg模型与BODE（0.87vs0.80；P=.34）、ADO（0.86vs0.89；P=.51）和SGRQ（0.86vs0.70；P=.09）相比，TD AUC没有差异，并显示比CAT（0.93vs0.55；P<.001>
