人工智能在CT预测新型冠状病毒肺炎转归中的价值

doi:10.3969/j.issn.1006-7795.2020.03.004

首都医科大学学报 ›› 2020, Vol. 41 ›› Issue (3): 340-344.doi: 10.3969/j.issn.1006-7795.2020.03.004

• 新型冠状病毒肺炎的诊断、治疗及预后 • 上一篇下一篇

人工智能在CT预测新型冠状病毒肺炎转归中的价值

吕志彬¹, 关春爽¹, 闫铄¹, 陈七一¹, 李晶晶¹, 张羽君², 陈步东¹, 谢汝明¹

1. 首都医科大学附属北京地坛医院放射科, 北京 100015;
2. 数坤(北京)网络科技有限公司, 北京 100102

收稿日期:2020-03-20 出版日期:2020-06-21 发布日期:2020-06-17
通讯作者: 谢汝明 E-mail:13911320739@163.com
基金资助:
北京市卫生健康科技成果与适宜技术推广专项（2020-TG-001）。

Value of CT findings in predicting transformation of clinical types of COVID-19

Lyu Zhibin¹, Guan Chunshuang¹, Yan Shuo¹, Chen Qiyi¹, Li Jingjing¹, Zhang Yujun², Chen Budong¹, Xie Ruming¹

1. Department of Radiology, Beijing Ditan Hospital, Capital Medical University, Beijing 100015, China;
2. Shukun(Beijing) Technology Co., Ltd., Beijing 100102, China

Received:2020-03-20 Online:2020-06-21 Published:2020-06-17
Supported by:
This study was supported Beijing Health Science and Technology Achievements and Appropriate Technology Promotion Special(2020-TG-001).

摘要/Abstract

摘要： 目的探讨人工智能（artificial intelligence，AI）在CT预测新型冠状病毒肺炎（COVID-19）转归中的价值。方法分析2020年1月25日至2020年2月17日首都医科大学附属北京地坛医院确诊的普通型COVID-19肺炎首诊胸部CT、首次复查胸部CT的影像资料62例，其中，男性31例，女性31例。依据是否随病程发展为重型分为普通型组（51例）和转重型组（11例），应用AI技术定量分析组间差异。结果首次胸部CT转重型组患者肺炎病灶占整肺体积百分比3.3%，高于普通组1.3%，以病灶占整肺体积百分比2.0%为界值，诊断普通型转重型患者的敏感度（72.7%）、特异度（66.7%）最高，受试者工作特征（receiver operating characteristic，ROC）曲线下面积为0.744。复查CT两组患者病灶体积变化存在明显差异，与普通型组相比，转重型组病灶体积占比10.0%，明显增大，以增加的病灶占整肺体积百分比2.65%为界值，诊断普通型转重型的敏感度（90.9%）、特异度（78.4%）最高，ROC曲线下面积为0.896。两次CT比较两组患者病灶内部磨玻璃密度、实性密度成分比例变化差异有统计学意义（P<0.05）。结论人工智能在CT预测COVID-19转归中具有重要意义，可在早期对重症及危重症的发生进行预警，病灶占整肺体积百分比、病变短期内迅速进展可能对普通型COVID-19肺炎的预后产生重要影响。

关键词: 人工智能, 新型冠状病毒肺炎, 体层摄影术, X线计算机

Abstract: Objective To explore the value of artificial intelligence (AI) in computed tomography (CT) prediction for outcome of 2019 Coronavirus disease (COVID-19). Methods The initial and first follow-up CT imaging of 62 cases with common COVID-19 pneumonia diagnosed in Beijing Ditan Hospital, Capital Medical University from January 25 to February 17, 2020 were retrospectively analyzed. Ratio of male:female was 31:31. Based on the fact whether patients' conditions had deteriorated into severe type, all the cases were stratified into common type group (51 cases) and deteriorated type group (11cases). Differences of quantitative CT findings by AI in two groups of patients were analyzed. Results Based on initial CT, the percentage of volume of inflammatory lesions to volume of lungs in deteriorated group was 3.3% (1.6%, 7.2%), higher than that of common group. Sensitivity and specificity of diagnose for deteriorated cases reached the best diagnostic value by setting cut-off value as 2.0%. The sensitivity was 72.7%, specificity was 66.7%, and area under a receiver operating characteristic (ROC) curve was 0.744. On first follow-up CT, significant difference was observed on the change of lesion volume. Compared to common type group, percentage of lesion volume in lungs increased significantly to 10.0% (8.9%, 18.1%). The sensitivity (90.9%) and specificity (78.4%) of diagnose for deteriorated cases reached the best diagnostic value by setting cut-off value of increased percentage of lesions in lungs as 2.65%. Area under ROC was 0.896. Changes on percentage of ground glass opacity and consolidation in lesions were significantly different between the groups (P<0.05). Conclusions AI has a profound value in CT prediction for outcome of COVID-2019. It can help in early warning for severe and critical type of patients. The percentage of volume of lesions in lungs and rapidly increase may predict outcome of COVID-19.

Key words: artificial intelligence, COVID-19, tomography, X-ray computed

中图分类号:

R563.1

吕志彬, 关春爽, 闫铄, 陈七一, 李晶晶, 张羽君, 陈步东, 谢汝明. 人工智能在CT预测新型冠状病毒肺炎转归中的价值[J]. 首都医科大学学报, 2020, 41(3): 340-344.

Lyu Zhibin, Guan Chunshuang, Yan Shuo, Chen Qiyi, Li Jingjing, Zhang Yujun, Chen Budong, Xie Ruming. Value of CT findings in predicting transformation of clinical types of COVID-19[J]. Journal of Capital Medical University, 2020, 41(3): 340-344.

参考文献

[1] 国家卫生健康委员会.新型冠状病毒肺炎诊疗方案(试行第七版)[EB/OL]. (2020-03-04)[2020-04-20]. http://www.nhc.gov.cn/yzygj/s7653p/202003/46c9294a7dfe4cef80dc7f5912eb1989.shtml.
[2] 萧毅, 郭佑民, 刘士远. 医学影像在新型冠状病毒肺炎诊治中的作用及思考[J/OL]. 中华放射学杂志.(2020-02-12)[2020-04-20].http://rs.yiigle.com/yufabiao/1180540.htm.
[3] 黄璐, 韩瑞, 于朋鑫, 等. 新型冠状病毒肺炎不同临床分型间CT和临床表现的相关性研究[J/OL]. 中华放射学杂志.(2020-02-11)[2020-04-20].http://rs.yiigle.com/yufabiao/1180145.htm.
[4] 中中华医学会放射学分会. 新型冠状病毒肺炎的放射学诊断:中华医学会放射学分会专家推荐意见(第一版)[J/OL]. 中华放射学杂志. (2020-02-08)[2020-04-20].http://rs.yiigle.com/yufabiao/1180115.htm. DOI:10.3760/cma.j.issn.1005-1201.2020.0001.
[5] 程晓光,冯素臣,夏国光,等. SARS的胸部CT早期表现[J]. 中华放射学杂志,2003,37(9):790-793.
[6] 吕志彬, 关春爽, 闫铄, 等. CT在预测新型冠状病毒肺炎临床分型转变中的价值[J/OL]. 中华放射学杂志.(2020-03-13)[2020-04-20].http://rs.yiigle.com/yufabiao/1184753.htm.
[7] Pan F,Ye T,Sun P,et al. Time course of lung changes on chest CT during recovery from 2019 novel coronavirus (COVID-19) pneumonia[J]. Radiology,2020,13:200370.
[8] Litjens G, Kooi T, Bejnordi B E, et al. A survey on deep learning in medical image analysis[J]. Med Image Anal, 2017, 42:60-88.
[9] 刘士远, 萧毅. 基于深度学习的人工智能对医学影像学的挑战和机遇[J]. 中华放射学杂志,2017,51(12):899-901.
[10] Cicero M, Bilbily A,Colak E, et al. Training and validating a deep convolutional neural network for computer-aided detection and classification of abnormalities on frontal chest radiographs[J]. Invest Radiol,2017,52(5):281-287.

[1]	吕晗, 赵鹏飞, 尹红霞, 王振常. 耳科影像学的关键技术创新和应用——2020年度国家科学技术进步奖二等奖[J]. 首都医科大学学报, 2022, 43(1): 13-16.
[2]	刘珊珊, 陈旭, 李亚琼, 袁晓菲, 于红晔, 房萌. 新型冠状病毒肺炎疫情期间北京市青少年抑郁焦虑情况调查及影响因素[J]. 首都医科大学学报, 2021, 42(3): 412-417.
[3]	陈剑明, 陈腾飞, 连博, 陈奕杉, 徐霄龙, 刘清泉. 新型冠状病毒肺炎中医证候和证候要素分布特点的文献分析[J]. 首都医科大学学报, 2020, 41(6): 901-907.
[4]	尹星琪, 于彩果, 柯静, 赵冬, 于可. 2型糖尿病患者新型冠状病毒肺炎流行期间心理状态及行为调查[J]. 首都医科大学学报, 2020, 41(6): 970-977.
[5]	姚春勇, 李杨帆, 贾原菊. 66例新型冠状病毒肺炎患者临床特点及胸部电子计算机断层扫描影像表现分析[J]. 首都医科大学学报, 2020, 41(6): 997-1001.
[6]	慕萌, 张俊敏, 陈瑞芳, 孙超渊. 医学类科技期刊应对新型冠状病毒肺炎(COVID-19)的策略分析——以《首都医科大学学报》为例[J]. 首都医科大学学报, 2020, 41(6): 1033-1036.
[7]	安彦虹, 戎冬冬, 单艺, 武春雪, 高艳, 卢洁. 新型冠状病毒肺炎疑似与确诊患者的胸部X线表现比较[J]. 首都医科大学学报, 2020, 41(4): 608-612.
[8]	胡琪, 钟正, 刘激扬, 汤渝玲, 周志国, 刘萍, 阎昱升, 李波. 57例新型冠状病毒肺炎治愈患者胸部电子计算机断层扫描特征报告[J]. 首都医科大学学报, 2020, 41(4): 627-630.
[9]	杨毅, 鲁旭然, 刘楠, 侯晓彤, 孙立忠, 吴龙, 潘友民, 王守凤, 赵欣艳. 新型冠状病毒肺炎对心血管系统影响[J]. 首都医科大学学报, 2020, 41(4): 657-663.
[10]	刘景院, 郭贺冰, 李昂. 危重型新型冠状病毒肺炎的诊疗进展[J]. 首都医科大学学报, 2020, 41(3): 321-327.
[11]	刘景院, 郭贺冰, 李昂. 新型冠状病毒肺炎诊疗的若干思考[J]. 首都医科大学学报, 2020, 41(3): 328-335.
[12]	李新刚, 徐艳利, 王琳, 周洋, 杨莉, 谭大伟, 陈志海, 宋蕊. 糖皮质激素在新型冠状病毒肺炎重型患者治疗中的临床研究[J]. 首都医科大学学报, 2020, 41(3): 345-349.
[13]	李雪, 石中月, 杨志明, 庞文博, 金木兰. 人工智能辅助分析在宫颈液基薄层细胞学检查中的应用价值[J]. 首都医科大学学报, 2020, 41(3): 360-363.
[14]	金荣华. 新型冠状病毒肺炎[J]. 首都医科大学学报, 2020, 41(2): 149-154.
[15]	李丽, 杨华升, 勾春燕, 汪晓军, 罗晓岚, 张佳莹, 李红艳, 李侗曾, 梁连春, 李秀惠. 46例新型冠状病毒肺炎中医临床特征分析[J]. 首都医科大学学报, 2020, 41(2): 155-160.

人工智能在CT预测新型冠状病毒肺炎转归中的价值

Value of CT findings in predicting transformation of clinical types of COVID-19

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价