В недавнем исследовании, опубликованном в журнале Frontiers in Public Health , исследователи продемонстрировали, что сигналы, подобные сосудистой сети (N) при компьютерной томографии (КТ) грудной клетки, могут служить надежными визуализирующими биомаркерами (IB) ранней стадии коронавирусной болезни 2019 года (COVID-19). скрининг. Они также подтвердили эти клинически значимые IB, тем самым открыв новую возможность для помощи в скрининге пациентов с COVID-19. Что наиболее важно, эти ИБ продемонстрировали значительный потенциал для снижения рабочей нагрузки клиницистов и помогают отличить COVID-19 от других легочных заболеваний.

Фон                                                                                    

Во многих странах не хватает наборов для обнаружения нуклеиновых кислот (НК) и специализированных специалистов, что ограничивает возможность обнаружения COVID-19 на ранней стадии с помощью диагностического тестирования. Относительно низкая вирусная нагрузка на ранней стадии заболевания также приводит к ложноотрицательным результатам или ограниченной чувствительности тестов полимеразной цепной реакции с обратной транскрипцией (ОТ-ПЦР). Затем у значительной части больных в дебюте заболевания отсутствуют даже типичные клинические симптомы.

Визуализация легких, особенно КТ грудной клетки, может сыграть уникальную роль в ранней диагностике COVID-19. Он выявляет унифокальные затемнения по типу матового стекла (GGO) в легких пациентов с COVID-19 на ранней стадии инфекции. По мере прогрессирования заболевания GGO инфильтрируют все легкое и проявляются в виде поражений. КТ легких также может помочь отслеживать изменения в легких у пациентов с COVID-19 с отрицательными тестами на NA.

Однако то, что ограничивает использование большинства вычислительных исследований на основе КТ грудной клетки, — это тот факт, что у пациентов с COVID-19 на ранней стадии отсутствуют типичные характеристики. Более того, пациенты с внебольничной пневмонией (ВП) имеют вводящие в заблуждение характеристики КТ органов грудной клетки.

Об исследовании

В настоящем исследовании исследователи провели скрининг 419 пациентов из двух больниц в Китае, объединив искусственный интеллект (ИИ) и клинические данные о сосудистых изменениях в областях легких с подходом системной биологии. У всех пациентов с COVID-19 был подтвержден диагноз легкой или средней степени тяжести заболевания в период с января 2020 года по март 2020 года на основании критериев Национальной комиссии здравоохранения Китайской Народной Республики. Команда случайным образом набрала здоровых пациентов и пациентов с ВП из одних и тех же двух больниц и использовала их в качестве контроля в обучающих и проверочных когортах независимо друг от друга. У контрольных пациентов также были диагностированы инфекции легких с помощью компьютерной томографии за несколько месяцев до начала эпидемии COVID-19.

Кроме того, исследователи использовали два разных КТ-сканера, GE Optima 660 CT и uCT 530, с пиковым напряжением трубки 120 киловольт (кВп) и толщиной реконструкции 0,625 и 1,5 мм соответственно. Они распознали сосудистый сигнал (сигналы) в предварительно сегментированных областях легких пациентов в трех измерениях (3D) с использованием итеративного тангенциального голосования (ITV). Они передискретизировали каждое трехмерное КТ-изображение грудной клетки в изотропное пространство изображения, а затем ITV.

California Gold Nutrition, LactoBif, пробиотики, 30 млрд КОЕ, 60 вегетарианских капсул

Команда пригласила двух рентгенологов с более чем двухмесячным интенсивным и непрерывным опытом диагностики COVID-19 в Ухане, Китай, для независимой и слепой оценки КТ-изображений в контрольной когорте исследования. Наконец, они использовали непараметрический критерий Манна-Уитни, чтобы определить разницу в сигналах, подобных сосудистым, и обилие отдельных IB среди разных групп. Точно так же они использовали логистическую регрессию, чтобы найти связь между сигнатурами легких и COVID-19.

Результаты исследования

Из 419 участников исследования 116 пациентов из больницы А и 303 пациента из больницы В служили в качестве обучающей выборки и выборки для двойного слепого подтверждения соответственно. Средний возраст (в годах) участников этих двух когорт составлял 42 года и 51 год. Доля женщин и мужчин в когортах обучения и валидации составила 45,7% против 54,3% и 53,1% против 46,9%. Количество пациентов с COVID-19, здоровых участников и пациентов с ВП в обучающей когорте составило 47, 20 и 49 соответственно. Аналогичным образом, в когорте проверки было 153, 60 и 90 пациентов с COVID-19, здоровых участников и пациентов с ВП соответственно.

По сравнению со здоровыми и больными с ВП у пациентов с COVID-19 было значительно больше сосудистых изменений в легких. Интересно, что средняя интенсивность сосудистых структур, распознаваемых и усиливаемых ITV в области легких в тренировочной когорте, выявила статистически значимые различия (p <0,05) между здоровыми, пациентами с ВП и пациентами с COVID-19.

Применение Stacked Predictive Sparse Decomposition (Stacked PSD) к сигнальному пространству, похожему на сосудистую сеть, из обучающей когорты выявило восемь IB, имеющих отношение к COVID-19. У каждого из них была значительно разная численность между пациентами с COVID-19 и другими, что оценивалось с помощью анализа основных компонентов (PCA) и кластеризации. Модель случайной классификации леса для скрининга COVID-19, основанная на этих IB в обучающей когорте, показала, что каждый IB вносил свой вклад во время скрининга. IB-163 давал наилучшие характеристики одного биомаркера [значение под кривой (AUC) = 0,893].

Даже в проверочной когорте эти восемь предварительно идентифицированных IB четко отличали пациентов с COVID-19 от других. Обнадеживает то, что модель случайного леса, основанная на предварительно полученных IB, предсказывала COVID-19 с превосходной чувствительностью (0,941) и точностью (0,931), хорошо конкурируя с двумя рентгенологами, имеющими опыт работы с COVID-19. За исключением IB-88, все IB обеспечили перцептивные и количественные различия для двух случаев, неправильно диагностированных участвовавшими рентгенологами, что позволило провести точный скрининг с достоверностью более 96%.

Выводы

Двойная слепая проверка в больницах и на компьютерных томографах подтвердила, что IB, выявленные в исследовании, могут надежно и эффективно работать в реальных клинических условиях. Они показали лучшие результаты, чем опытные рентгенологи, работающие с COVID-19, особенно в неоднозначных случаях, которые часто встречаются на ранних стадиях скрининга COVID-19.

Многие сквозные модели ИИ требуют больших обучающих когорт и чрезмерных вычислительных ресурсов. В исследовании была разработана неконтролируемая структура обучения со стратегией извлечения IB с прямой связью, которая включала только поэлементную нелинейность и матричное умножение. Тем не менее, он обеспечил превосходную, масштабируемую и стабильную производительность скрининга с использованием небольшой обучающей когорты (n = 116).

Подводя итог, можно сказать, что авторы разработали надежный, точный и экономичный метод скрининга COVID-19, который предоставил клиническую информацию, выходящую за рамки существующей клинической практики и возможностей многих существующих сквозных систем искусственного интеллекта. С помощью импровизаций это может облегчить предсказание прогноза пациентов с COVID-19 и клинических исходов на ранней стадии.