提炼
我们感谢Zhang et Zhang对我们最近发表的文章[1]的兴趣。放射线学是计算医学研究中非常活跃的研究领域,其中多次研究讨论了它们的局限性和观点。正如张及张在他们的字母中所建议的那样,基于机器学习的模型的概括是一个空旷的问题,已针对放射线学模型进行了研究,还针对深度学习模型进行了研究[2]。与Zhang et Zhang相反,我们认为在14个具有多种采集协议的不同CT扫描仪上获取的多中心数据可以视为代表现实世界实践,这是通用性的关键要素。评估放射线特征是否可再现的最佳方法是重复整个特征提取过程,包括CT采集。但是,在回顾性研究中,重复采集的重复获取是不可行的,并引起了从童年经常暴露于医疗程序电离辐射的人群中的道德问题[3,4]。在我们的研究中,所有CT图像在放射线分析之前均进行了归一化,以避免偏见。该过程包括1 mM空间分辨率的预处理以及吡二二综合学的归一化函数的激活,这些函数通过以标准偏差为中心通过平均值将图像密度归一化。
脚注
该手稿最近被接受在欧洲呼吸杂志。它在我们的生产团队复制和排版之前以其公认的形式出版。在完成这些生产过程并批准了由此产生的证明之后,该文章将转移到最新一期ERJ在线的。请打开或下载PDF以查看本文。
利益冲突:Guillaume Chassagnon在提交的工作之外报告了Chiesi的演讲酬金。所有其他作者都无话可说。
利益冲突:Alienor Campredon没有什么可披露的。
利益冲突:玛丽亚·瓦卡洛普洛(Maria Vakalopoulou)无话可说。
利益冲突:Pierre-régisBurgel报告了Vaincre la Mucoviscidose目前手稿的支持;来自GSK顶点的赠款;来自Astra-Zeneca,Chiesi,GSK,Insmed,insmed,vertex,Zambon的咨询费;诺华辉瑞公司的演讲酬金;在提交的工作之外。
- 已收到2022年1月5日。
- 公认2022年1月7日。
- 版权所有©作者2022。用于复制权和权限联系权限{at} ersnet.org