基于密度分布特征及機器學習診斷COVID-19相關性肺炎

韓冬，于勇，賀太平，段海峰，賈永軍，張喜榮，郭佑民，于楠

1.陜西中醫藥大學附屬醫院醫學影像科，陜西咸陽712000；2.陜西中醫藥大學醫學技術學院，陜西咸陽712000；3.西安交通大學第一附屬醫院醫學影像科，陜西西安710061

前言

新型冠狀病毒病（Corona Virus Disease 2019,COVID-19）被WHO 列為突發公共衛生事件，該病普遍易感，對大眾正常生產生活造成極大影響［1-2］。實時熒光逆轉錄聚合酶鏈反應（RT-PCR）檢測是診斷COVID-19 的金標準，但敏感性及特異性均較低，檢測時間長。尤其當前核酸檢測試劑依然緊缺，進一步影響了核酸篩查工作順利開展。胸部CT 檢查快速便捷，敏感性高，對篩查COVID-19 有重要價值［3-4］。COVID-19 典型肺部表現為多發胸膜下的磨玻璃影［5］。但作為病毒性肺炎的一種，與其它肺炎CT 表現存在重疊［6］。即使是有經驗的影像科醫師對COVID-19的診斷特異性仍較低［7］。近年來機器學習在醫學影像學領域的數據分析長足發展，對疾病定量評價的效能及效率均有較高優勢，其中支持向量機（Support Vector Machine,SVM）在解決非線性分類任務中有良好表現。本研究探討基于密度分布特征及SVM診斷COVID-19相關性肺炎。

1 材料與方法

1.1 研究對象

回顧性收集整理3 家醫院發熱門診自2020年1月～3月就診患者的胸部CT 圖像，并符合以下納入和排除標準。納入標準：①CT圖像層厚1～2 mm，有可視的肺炎病變；②接受呼吸道或血液標本實時熒光RTPCR 新型冠狀病毒核酸檢測；③接受血常規、其他病毒檢測、支原體等病原學檢測。排除標準：①CT圖像存在呼吸運動偽影；②CT 圖像存在較嚴重的間質病變；③病原學診斷不明確者。最后共納入85例患者，男 性40 例，女性45 例，年 齡14～89 歲，平均年齡（45.92±18.63）歲。……