新型冠狀病毒肺炎不同臨床分型的定量CT影像參數(shù)表現(xiàn)

王定君 陳曉榮 應(yīng)明亮 黃朝暉 李魯 王向明 曹登攀 高源統(tǒng) 潘江峰 舒錦爾* 馬志超 劉柏韻

322100浙江省東陽市人民醫(yī)院（黃朝暉）

322000浙江省義烏市中心醫(yī)院（王向明）

321300浙江省永康市第一人民醫(yī)院（曹登攀）

325200浙江省瑞安市人民醫(yī)院（高源統(tǒng)）100025北京推想科技有限公司（馬志超 劉柏韻）

新型冠狀病毒肺炎（Corona Virus Disease 2019，COVID-19）在各國的死亡率存在巨大差異，與各國對于COVID-19的早期防控和病程管理具有重要相關(guān)性。胸部CT影像具備高效快速、可獲得性高的特點，在COVID-19的早期發(fā)現(xiàn)和病程監(jiān)測中具有重要價值，對有癥狀的疑似患者進行篩查的陽性率達97%，有效彌補了由RT-PCR檢測引起的假陰性高的缺點［1］。CT的影像學表現(xiàn)還可為COVID-19的疾病進展評估提供了重要參考，包括病灶的大小，位置和密度等信息［2-3］，但多以定性的影像學表現(xiàn)分析為主，存在較大的主觀診斷差異。而人工智能技術(shù)可實現(xiàn)對CT影像上可疑感染病變的快速定位和定量分析，在新冠肺炎的早期篩查、鑒別診斷、預(yù)后評估等多個方面體現(xiàn)出巨大的優(yōu)勢和潛力［4-5］。本研究擬應(yīng)用人工智能技術(shù)進行病灶的自動分割，并交互式地進行結(jié)果校對，分析不同臨床分型組的CT影像定量結(jié)果，比較不同組別之間的臨床和影像學表現(xiàn)差異，為新冠肺炎的早期診斷、病程監(jiān)測及嚴重程度評估提供快速、精準的臨床工具。

1 資料與方法

1.1 一般資料 多中心回顧性分析2020年1月至2020年3月浙江?。ǚ且邊^(qū)中心）5家醫(yī)院的確診COVID-19患者（金華中心醫(yī)院（16例）、義烏市中心醫(yī)院（17例）、永康市第一人民醫(yī)院（5例）、瑞安市人民醫(yī)院（30例）以及東陽市人民醫(yī)院（13例）。（1）納入標準：①兩次COVID-19核酸檢測（RT-PCR方法）為陽性者；②胸部CT圖像為發(fā)病以來首次檢查；③分析圖像為肺窗圖像；④實驗室檢查、臨床表現(xiàn)、臨床分型等資料完整者。（2）排除標準：①非COVID-19確診患者；② COVID-19復(fù)查患者；③胸部CT圖像質(zhì)量不佳，模型分割結(jié)果過小或者不符合圖像分析要求；④無法對CT影像拍攝時的臨床分型進行判斷的患者。共納入COVID-19患者81例，其中男47例（58.0%），女34例（42.0%）；平均年齡（43.0±16.8）歲。根據(jù)新型冠狀病毒感染的肺炎診療方案（試行第七版），并基于COVID-19患者的臨床癥狀和影像學表現(xiàn)，將其分為輕型、普通型和重型，診斷結(jié)果由1名具有十年以上胸部CT診斷經(jīng)驗的放射科醫(yī)生和1名呼吸科臨床醫(yī)生共同確認。記錄所有患者首次入院的臨床癥狀（發(fā)熱、咳嗽、肌肉酸痛），實驗室檢查指標（白細胞計數(shù)、淋巴細胞計數(shù)及中性粒細胞計數(shù)），發(fā)病至進行CT檢查的時間和CT檢查至PCR檢測的時間間隔。

1.2 CT檢查設(shè)備及層厚分布 由于多中心數(shù)據(jù)收集，入組的81例患者中，使用中國聯(lián)影uCT550 4例（4.9%）、美國GE Optima CT540 21例（25.9%）、德國Siemens SOMATOM Emotion 16 43例（53.1%）及飛利浦Pilips16 Lightspeed CT 掃描儀21例（25.9%）。CT影像重建后的層厚分布為1～5 mm。所有患者均采用仰臥位，頭先進，屏氣方式進行掃描，掃描范圍為肺尖至肺底。

1.3 CT影像定量分析 將所有脫敏后的CT影像數(shù)據(jù)導入推想科技肺炎特別版AI系統(tǒng)（北京推想科技有限公司，https：//www.infervision.com/）進行肺部感染區(qū)域的自動分割。該系統(tǒng)基于遷移學習技術(shù)和精確標記的肺炎數(shù)據(jù)訓練的深度學習模型，能夠自動識別并定位肺炎病灶。前期在5303張內(nèi)部測試集上，此模型達到了DICE系數(shù)為0.8481的分割準確率［3，7］。然后由兩名分別具有20及21年心胸疾病診斷經(jīng)驗的放射科醫(yī)師對分割后的病灶范圍進行補充修正，意見不一致時經(jīng)兩者協(xié)商達成一致。所有修正后的工作在InferScholar AI科研平臺（北京推想科技有限公司）上完成?；谌斯ばＵ蟛≡罘指顓^(qū)域（見圖1）進行以下定量參數(shù)計算：（1）受累肺葉數(shù)：包括右肺（上葉、中葉、下葉）、左肺（上葉、下葉），總數(shù)為5；（2）肺炎病灶體積占比（%），整肺及各肺葉肺段；（3）感染病灶密度分布（%）。

圖1 深度學習分割模型對于人工修正后的對新冠CT圖像上ROI勾畫結(jié)果

1.4 統(tǒng)計學方法 采用SPSS 24.0 統(tǒng)計軟件。計量資料符合正態(tài)分布以（±s）表示，采用單因素方差分析；不符合正態(tài)分布以［M（IQR）］表示，采用Kruskal-Wallis 秩和檢驗或Mann-Whitney檢驗。計數(shù)資料以［n（%）］表示，采用χ2或Fisher確切概率法。以P＜0.05 為差異有統(tǒng)計學意義。

2 結(jié)果

2.1 三種臨床分型COVID-19患者的臨床表現(xiàn)及實驗室檢查比較 臨床分型，輕型29例、普通型44例和重型8例。三組患者的年齡比較，差異有統(tǒng)計學意義（F=4.25，P=0.018）。其中，輕型患者的平均年齡顯著小于普通型（P=0.022）。輕型、普通型和重型患者出現(xiàn)發(fā)熱（＞38℃）癥狀的比例比較，差異有統(tǒng)計學意義（P=0.038）。實驗室檢查，輕型和普通型的中粒細胞計數(shù)，均表現(xiàn)為正?；蚪档停匦突颊叩闹辛＜毎嫈?shù)顯著升高（P=0.042）。見表1。

表1 不同臨床分型COVID-19患者的臨床特征

2.2 三種臨床分型COVID-19患者的CT量化參數(shù)分析 通過AI分割+醫(yī)生修正，81例COVID-19患者的感染肺葉計數(shù)的中位數(shù)及四分位間距為3（3）。其中，重型和普通型COVID-19患者感染肺葉的計數(shù)明顯多于輕型患者（P＜0.001）。81例肺炎病灶占整肺體積的百分比的中位數(shù)及四分位間距為1.14%（2.99%）。其中，輕型COVID-19患者的肺炎病灶占比明顯小于普通型和重型（P＜0.001），而普通型和重型組之間無統(tǒng)計學差異（P＞0.05）。三種臨床分型COVID-19患者的肺炎病灶在右肺上、中、下葉以及左肺上、下葉的感染分布比較，差異均有統(tǒng)計學意義（P＜0.001）。81例新冠肺炎患者中，肺炎病變的最大占比表現(xiàn)在-370～-270 HU的CT值區(qū)間，而重型在不同的CT區(qū)間內(nèi)的肺內(nèi)受累占比最大。見表2。

表2 不同臨床分型COVID-19患者的CT量化信息參數(shù)

3 討論

臨床表現(xiàn)方面，研究結(jié)果表明三組COVID-19患者的年齡差異存在統(tǒng)計學意義，其中輕型患者的平均年齡顯著小于普通型。相較于中老年人群，這些輕型患者可能不存在較多的基礎(chǔ)疾病，自身的免疫能力使其不容易受到病毒的侵害。三組患者發(fā)熱（＞38℃）比例存在顯著性差異，其中重型患者全部表現(xiàn)出發(fā)熱癥狀。實驗室檢查指標顯示，中性粒細胞計數(shù)在不同分型之間有明顯差異，其中重型患者的中粒細胞計數(shù)出現(xiàn)升高，可能是合并了細菌感染所導致。白細胞計數(shù)和淋巴細胞計數(shù)均正?；虮憩F(xiàn)為不同程度的降低，三組間無明顯統(tǒng)計學差異。

CT影像分析，基于人工精準校正的深度學習分割肺炎病灶，發(fā)現(xiàn)輕型COVID-19患者的感染肺葉計數(shù)、感染病灶分布及感染病灶密度均明顯小于普通型及重型患者，為患者臨床分型提供科學依據(jù)。前期研究已表明，COVID-19患者呈現(xiàn)典型的CT影像肺炎病灶征象，包括磨玻璃密度影、肺實變、纖維化等［8］。隨著病程進展，各個征象呈現(xiàn)不同程度的變化，并在最初病發(fā)癥狀后約10天達到峰值［5］。早期COVID-19患者表現(xiàn)雙肺多發(fā)斑片狀磨玻璃樣密度病灶，密度較低且同質(zhì)［2］，隨著病情加重病灶呈現(xiàn)進行性增長和擴大趨勢，密度增大或出現(xiàn)“瘋狂鋪路”模式。前期有研究利用半定量方法人工評估肺內(nèi)受累程度，然而這種方法不夠精確，且不利于進行全病程評估和管理。啟動成熟的AI應(yīng)用軟件可以提供整個肺和每個肺葉以及代表類型病變的不同CT值的定量體積和百分比。這樣的量化信息對于COVID-19胸部病變的全病程跟蹤分析與病情轉(zhuǎn)歸預(yù)測有重要參考價值。值得一提的是，自動化AI分割模型存在假陽性高的缺點，本研究增加人工校正這一步驟，通過手動去除假陽病灶并修正分割不精準的病變區(qū)域（圖1所示），提高病變分割的準確率。通過比較分析CT影像量化參數(shù)，結(jié)果發(fā)現(xiàn)輕、普通、重型COVID-19的感染肺葉計數(shù)、肺炎病灶占整肺及各肺葉肺段的比例、［-570，60 HU］ CT值區(qū)間肺炎病變占比均呈現(xiàn)遞增趨勢，即感染病灶密度存在明顯差異，可輔助COVID-19的臨床診斷及分型。

本研究存在一定局限性，由于是多中心數(shù)據(jù)收集，各中心收集的初診患者存在基線差異，且不同設(shè)備和掃描參數(shù)影像的非標準化的影像質(zhì)量在一定程度上影像模型的分割效果。經(jīng)過深度學習分割模型分析的量化參數(shù)非正態(tài)分布且分布不均一，為保證統(tǒng)計分析顯著性差異的準確性需要增加樣本量。