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(yáng)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(guó)的死亡率存在巨大差異，與各國(guó)對(duì)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(diǎn)，在COVID-19的早期發(fā)現(xiàn)和病程監(jiān)測(cè)中具有重要價(jià)值，對(duì)有癥狀的疑似患者進(jìn)行篩查的陽(yáng)性率達(dá)97%，有效彌補(bǔ)了由RT-PCR檢測(cè)引起的假陰性高的缺點(diǎn)［1］。CT的影像學(xué)表現(xiàn)還可為COVID-19的疾病進(jìn)展評(píng)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(xué)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(shí)現(xiàn)對(duì)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(píng)估等多個(gè)方面體現(xiàn)出巨大的優(yōu)勢(shì)和潛力［4-5］。本研究擬應(yīng)用人工智能技術(shù)進(jìn)行病灶的自動(dòng)分割，并交互式地進(jìn)行結(jié)果校對(duì)，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(xué)表現(xiàn)差異，為新冠肺炎的早期診斷、病程監(jiān)測(cè)及嚴(yán)重程度評(píng)估提供快速、精準(zhǔn)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月浙江省（非疫區(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(yáng)市人民醫(yī)院（13例）。（1）納入標(biāo)準(zhǔn)：①兩次COVID-19核酸檢測(cè)（RT-PCR方法）為陽(yáng)性者；②胸部CT圖像為發(fā)病以來(lái)首次檢查；③分析圖像為肺窗圖像；④實(shí)驗(yàn)室檢查、臨床表現(xiàn)、臨床分型等資料完整者。（2）排除標(biāo)準(zhǔn)：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(guò)小或者不符合圖像分析要求；④無(wú)法對(duì)CT影像拍攝時(shí)的臨床分型進(jìn)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(xué)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(yàn)的放射科醫(yī)生和1名呼吸科臨床醫(yī)生共同確認(rèn)。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(shí)驗(yàn)室檢查指標(biāo)（白細(xì)胞計(jì)數(shù)、淋巴細(xì)胞計(jì)數(shù)及中性粒細(xì)胞計(jì)數(shù)），發(fā)病至進(jìn)行CT檢查的時(shí)間和CT檢查至PCR檢測(cè)的時(shí)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(guó)聯(lián)影uCT550 4例（4.9%）、美國(guó)GE Optima CT540 21例（25.9%）、德國(guó)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(jìn)，屏氣方式進(jìn)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(dǎo)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(jìn)行肺部感染區(qū)域的自動(dòng)分割。該系統(tǒng)基于遷移學(xué)習(xí)技術(shù)和精確標(biāo)記的肺炎數(shù)據(jù)訓(xùn)練的深度學(xué)習(xí)模型，能夠自動(dòng)識(shí)別并定位肺炎病灶。前期在5303張內(nèi)部測(cè)試集上，此模型達(dá)到了DICE系數(shù)為0.8481的分割準(zhǔn)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(yàn)的放射科醫(yī)師對(duì)分割后的病灶范圍進(jìn)行補(bǔ)充修正，意見(jiàn)不一致時(shí)經(jīng)兩者協(xié)商達(dá)成一致。所有修正后的工作在InferScholar AI科研平臺(tái)（北京推想科技有限公司）上完成?；谌斯ばＵ蟛≡罘指顓^(qū)域（見(jiàn)圖1）進(jìn)行以下定量參數(shù)計(jì)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(xué)習(xí)分割模型對(duì)于人工修正后的對(duì)新冠CT圖像上ROI勾畫結(jié)果

1.4 統(tǒng)計(jì)學(xué)方法 采用SPSS 24.0 統(tǒng)計(jì)軟件。計(jì)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(yàn)或Mann-Whitney檢驗(yàn)。計(jì)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(jì)學(xué)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(shí)驗(yàn)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(jì)學(xué)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(jì)學(xué)意義（P=0.038）。實(shí)驗(yàn)室檢查，輕型和普通型的中粒細(xì)胞計(jì)數(shù)，均表現(xiàn)為正?；蚪档?，而重型患者的中粒細(xì)胞計(jì)數(shù)顯著升高（P=0.042）。見(jiàn)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(guò)AI分割+醫(yī)生修正，81例COVID-19患者的感染肺葉計(jì)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(jì)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(wú)統(tǒng)計(jì)學(xué)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(jì)學(xué)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(jiàn)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(jì)學(xué)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(shí)驗(yàn)室檢查指標(biāo)顯示，中性粒細(xì)胞計(jì)數(shù)在不同分型之間有明顯差異，其中重型患者的中粒細(xì)胞計(jì)數(shù)出現(xiàn)升高，可能是合并了細(xì)菌感染所導(dǎo)致。白細(xì)胞計(jì)數(shù)和淋巴細(xì)胞計(jì)數(shù)均正常或表現(xiàn)為不同程度的降低，三組間無(wú)明顯統(tǒng)計(jì)學(xué)差異。

CT影像分析，基于人工精準(zhǔn)校正的深度學(xué)習(xí)分割肺炎病灶，發(fā)現(xiàn)輕型COVID-19患者的感染肺葉計(jì)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(xué)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(shí)變、纖維化等［8］。隨著病程進(jìn)展，各個(gè)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(dá)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(jìn)行性增長(zhǎng)和擴(kuò)大趨勢(shì)，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(píng)估肺內(nèi)受累程度，然而這種方法不夠精確，且不利于進(jìn)行全病程評(píng)估和管理。啟動(dòng)成熟的AI應(yīng)用軟件可以提供整個(gè)肺和每個(gè)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(duì)于COVID-19胸部病變的全病程跟蹤分析與病情轉(zhuǎn)歸預(yù)測(cè)有重要參考價(jià)值。值得一提的是，自動(dòng)化AI分割模型存在假陽(yáng)性高的缺點(diǎn)，本研究增加人工校正這一步驟，通過(guò)手動(dòng)去除假陽(yáng)病灶并修正分割不精準(zhǔn)的病變區(qū)域（圖1所示），提高病變分割的準(zhǔn)確率。通過(guò)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(jì)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(shì)，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(biāo)準(zhǔn)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(guò)深度學(xué)習(xí)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(jì)分析顯著性差異的準(zhǔn)確性需要增加樣本量。