基于CT的影像组学列线图预测2019冠状病毒病(COVID-19)预后
本研究纳入40例COVID-19患者,从180个感兴趣区提取CT影像组学特征,构建三种分类器模型并计算Rad-score,结合临床因素建立影像组学列线图预测病灶吸收或进展为实变。列线图在训练集C-index为0.91、验证集为0.85,训练集显著高于临床因素模型(P=0.0021),决策曲线分析显示其临床净获益最高。
要点
- CT影像组学列线图可预测COVID-19病灶吸收或进展为实变,训练集C-index 0.91、验证集0.85。
- 三个影像组学模型kNN、SVM、LR的AUC分别为0.88、0.88、0.84,分类性能良好。
- 训练集中列线图C-index显著高于临床因素模型(P=0.0021),决策曲线净获益最高。
核心结论
- 基于CT图像的影像组学列线图在预测COVID-19预后方面表现出良好的预测性能,可作为潜在生物标志物用于将患者更准确地进行分期以辅助临床决策。
研究设计与样本
- 回顾性队列研究,纳入2020年1月21日至3月26日确诊的40例COVID-19患者(年龄47.6±14岁,男性25例占62.5%,18例占45%有COVID-19暴露史)。
- 采用256层Philips Brilliance iCT行单次吸气相平扫,管电压120 kVp自动管电流调制,层厚及间隔5 mm,第四代迭代重建算法(iDose4)与锐核行1 mm薄层重建。
- 由两名分别约18年和15年胸部影像经验的放射科医师独立手动勾画感兴趣区,共分析180个ROI(吸收组118个、实变组62个),按8:2随机分为训练集145个和验证集35个。
- 参考标准为间隔5–7天复查CT的病灶变化:吸收组GGO密度和范围减低,进展组进展为实变,由三名有经验放射科医师独立评估且对临床信息设盲。
关键影像表现/征象
- COVID-19典型CT表现为双肺后部及外周分布的磨玻璃影(GGO),伴或不伴实变。
- GGO定义为肺衰减模糊增高且不掩盖其下血管,也见于COVID-19吸收期;实变被视为疾病进展的征象。
- 本研究中早期CT表现为GGO,部分患者病灶吸收、密度逐渐减低,部分进展者GGO转为实变、密度增高。
诊断标准与关键数值
- 训练集中kNN、SVM、LR的准确度、敏感度、特异度、AUC分别为0.82、0.83、0.80、0.88;0.79、0.76、0.86、0.88;0.77、0.77、0.78、0.84。
- 验证集中kNN、SVM、LR的准确度、敏感度、特异度、AUC分别为0.83、0.96、0.58、0.82;0.77、0.65、1.0、0.88;0.83、0.78、0.91、0.86。
- 临床因素模型训练集C-index 0.82[95%CI(0.75–0.88);敏感度0.61;特异度0.92],验证集C-index 0.77[95%CI(0.59–0.90);敏感度0.83;特异度0.64]。
- 影像组学列线图训练集C-index 0.91[95%CI(0.85–0.95);敏感度0.83;特异度0.84],验证集C-index 0.85[95%CI(0.69–0.95);敏感度0.61;特异度1.0]。
- Rad-score在吸收组与实变组间差异显著(r=0.5022,95%CI 0.3838–0.6044,P<0.0001)。
临床应用与阅片要点
- 列线图整合Rad-score、年龄、中性粒细胞计数、NK细胞百分比和CD3+百分比,可用于预测COVID-19病灶的放射学进展。
- 训练集中列线图C-index显著高于临床因素模型(P=0.0021),决策曲线分析显示三种模型中列线图净获益最高。
- 由于胸部X线图像数量有限导致图像信息丢失,基于影像组学特征的预测性能难以通过胸片实现。
局限性
- 本研究为回顾性队列研究,潜在的选择偏倚可能影响结果的重复性和稳定性。
- 原文此处写作「Patients who were already in the hospital and」,该句在提供的节选全文中不完整,原文此处表述不完整。
全文中译15 节 · 点击展开
引言
2019年12月8日,中国湖北武汉首次报告了一组病因不明的肺炎患者。2020年2月11日,世界卫生组织(WHO)将该疾病命名为冠状病毒病2019(COVID-19)。随着对COVID-19肺炎认识的逐步深入,尤其是在重症患者中,制定了专业共识和指南以预防传播并促进诊断和治疗。1–3胸部影像学已被证明在诊断伴有呼吸道症状的重症COVID-19病例中非常有用。4
近期文献总结了COVID-19的CT表现及动态变化,报道称COVID-19的典型CT表现为双肺后部和外周分布的磨玻璃影(GGO),伴或不伴实变。这些特征与其他冠状病毒感染中观察到的特征相似。4–6然而,一些CT影像表现并不典型。7,8Chung等6报道GGO可能出现在大多数患者中,因此被认为是部分患者中最早可在影像学上可见的CT表现。既往研究显示,肺部受累在初始症状出现后逐渐加重至实变,可达2周。9Fang等5的初步研究显示,可观察到GGO表现为实变吸收。实变被认为是疾病进展的指标,在患者管理中起到警示作用。10基于CT影像对COVID-19整个疾病过程的早期预测可促进早期临床诊断、加快治疗和早期隔离,为评估综合治疗效果提供依据。
本研究旨在预测COVID-19的预后,帮助医生更准确地将患者分为不同阶段,从而为患者提供更好的决策依据,如是否需要入住ICU、住院时间以及氧疗需求。
方法和材料
患者和临床因素
机构审查委员会批准了本研究,且由于本分析为回顾性研究,豁免了患者知情同意。
本研究共纳入2020年1月21日至2020年3月26日期间严重急性呼吸综合征冠状病毒2(SARS-CoV-2)检测阳性的40例患者。2019冠状病毒病(COVID-19)通过支气管肺泡灌洗液、气管内吸出物、鼻咽拭子或口咽拭子的呼吸道分泌物实验室检测确诊。具体纳入标准为:(1)新型冠状病毒核酸抗体阳性的患者入住我院;(2)入院后接受CT检查的患者;(3)CT图像证实存在肺炎。排除标准为:(1)首次CT检查未见磨玻璃影(GGO)的患者;(2)5~7天后复查CT病灶无显著变化的患者;(3)初次CT即表现为实变的病灶。收集基线临床数据,包括年龄、性别、疾病严重程度、症状、旅行及暴露史以及实验室检测结果。采用单因素分析确定临床因素、影像组学特征与影像学进展之间的相关性。以单因素分析中有统计学意义的变量作为输入,应用多元logistic回归分析建立临床因素模型。计算各独立因素的相关系数(r)及其95%置信区间(CI)。
CT扫描方案
胸部CT扫描采用单次吸气相平扫,使用商用多探测器CT扫描仪(256层Philips Brilliance iCT)。CT图像在单次屏气期间采集。CT扫描方案如下:容积扫描,管电压120 kVp并开启自动管电流调制,层厚及层间隔均为5 mm。两次CT扫描使用相同的CT方案和扫描仪。应用第四代迭代重建(IR)算法(iDose4)及锐利卷积核进行薄层(1 mm)重建。
影像组学工作流程
图1展示了影像组学工作流程,包括(1)感兴趣区(ROI)分割,(2)影像组学特征提取,(3)影像组学特征筛选,(4)预测模型构建(在训练集中),以及(5)预测性能评估。
ROI分割
所有图像从PACS系统导出并导入影像组学云平台V.3.1.0(http://radcloud.cn/,汇医慧影医疗科技有限公司,中国北京)。由两名独立的放射科医师(XLW和DL,分别具有约18年和15年胸部影像学经验)在1 mm层厚的重建图像上手动勾画病灶。COVID-19的CT表现在不同患者和不同阶段可能不同;因此,我们以每个病灶为单位进行影像组学分析并分割感兴趣区(ROI)。我们设定所有ROI均为GGO的前提条件;随后患者接受第二次CT检查(两次CT扫描之间的时间间隔为5~7天)。三名经验丰富的放射科医师(XLW、LPS和QY)在不知晓临床信息的情况下,独立比较两次CT图像以评估COVID-19的进展情况。
手动分割的一个示例见图2。磨玻璃影(GGO)定义为肺衰减呈模糊增高且不遮盖其下血管,这也是COVID-19吸收期的表现。8 实变被认为是疾病进展的指征。CT复查后,最终根据影像学进展情况将ROI分为两组:吸收组和实变(进展)组。吸收组ROI中GGO的密度和范围减小,进展组ROI进展为实变。采用组内和组间相关系数(ICC)评估特征提取的观察者内可重复性和观察者间可靠性。若ICC值<0.75,则特征提取具有良好一致性。
影像组学特征提取与选择
影像组学特征分为四组:(a)一阶统计特征,包括126个描述符,通过常用和基本指标定量描绘ROI内体素强度的分布;(b)形状特征,由反映区域形状和尺寸的三维(3-D)特征组成;(c)纹理特征,由灰度游程长度矩阵(GLRLM)、灰度共生矩阵(GLCM)、灰度尺寸区域矩阵(GLSZM)和灰度依赖矩阵(GLDM)计算得出;(d)滤波和小波特征,包括通过滤波变换和小波变换从原始图像衍生的强度和纹理特征,使用诸如wavelet-LLL、wavelet-LHL、wavelet-HLL、wavelet-LLH、对数、平方、平方根、原始和指数等滤波器处理。11,12
在本研究中,采用三种方法逐步减少冗余特征。首先,应用方差阈值法去除方差小于0.8的特征值。其次,采用Select K Best方法,利用p值分析特征与分类结果之间的相关性;使用所选特征(p < 0.05)。最后,使用最小绝对收缩和选择算子(LASSO)模型降低特征维度并有效识别最显著的特征。13,14 对于LASSO模型,交叉验证的误差值为10,最大迭代次数为2000。相应参数设置遵循既往研究。15–17
分类分析与影像组学特征
基于CT图像的纹理特征进行分类分析,以识别吸收和实变。通过监督学习构建的分类器涉及从一组具有所选特征的给定样本中学习,从而创建一个能够正确分类新对象并预测预后相关数据的分类器。18在本研究中,基于放射组学的模型使用三种分类器构建:k近邻(kNN)、支持向量机(SVM)和逻辑回归(LR)。决策树算法首先通过归纳算法创建可读的规则和决策;然后,该决策用于分析新数据。19基于放射组学的分类器预测COVID-19进展的预测性能通过训练集和验证集中的曲线下面积(AUC)、受试者工作特征(ROC)曲线、灵敏度、特异度和准确度进行评估。所选特征用于构建放射组学特征,放射组学特征(Rad-score)通过所选特征的线性组合并按其对应的LASSO系数加权计算得出。20
放射组学列线图的开发与性能评估
临床因素和Rad-score中的显著变量被用于开发放射组学列线图。绘制校准图以评估列线图的校准度和拟合优度。临床因素模型和放射组学列线图对预后的预测性能基于训练集和验证集中的C指数进行评估。进行决策曲线分析(DCA)以评估训练集中一系列阈值概率下的净获益。
统计分析
统计分析使用SPSS v.24.0(SPSS Inc.,芝加哥,伊利诺伊州,美国)和R统计软件v.3.3.4(https://www.r-project.org)进行。临床因素的组间比较中,分类变量采用卡方检验或Fisher确切检验,连续变量采用Mann-Whitney U检验。两种模型的ROC使用DeLong检验进行比较。模型的预测性能在验证集中使用训练集中确定的相同阈值进行评估。ROC曲线使用“pROC”包绘制。列线图的开发使用“rms”包进行。DCA使用“dca.R.”包进行。
结果
临床信息和临床因素模型
本研究共纳入40例患者(年龄:47.6 ± 14);25例(62.5%)为男性,18例(45%)既往有COVID-19暴露史。患者的详细临床数据总结于表1。表2显示了临床因素(包括T淋巴细胞亚群)与COVID-19患者影像学进展之间的关系。吸收组和实变组之间在年龄、中性粒细胞计数、NK细胞百分比、NK细胞计数、CD3+T百分比、CD19+百分比和CD4+T百分比方面存在显著差异(p < 0.05);但CD19+计数、CD3+CD8+T百分比、CD3+T计数、C反应蛋白(CRP)、性别、CD4+/CD8+比值、CD4+ T计数、CD8+ T计数无显著差异(p > 0.05)。表3显示了训练集和验证集中临床信息对应于ROI的p值。
影像组学特征及基于影像组学模型的预测性能
共分析180个感兴趣区(ROI);从CT图像中提取1409个图像特征。吸收组(n = 118)和实变组(n = 62)的ROI被随机分为训练集(n = 145)和验证集(n = 35)。在影像组学特征筛选方面,通过LASSO回归模型和前向选择法筛选显著特征(图3)。LASSO回归的最佳性能在惩罚参数α = 1.17时建立,此时均方误差最小。最终,计算出15个影像组学特征及其各自的系数(表4)。
采用ROC分析评估基于影像组学模型的预测性能(表5)。在训练集中,kNN、SVM和LR的准确率、灵敏度、特异度和AUC分别为0.82、0.83、0.80、0.88;0.79、0.76、0.86、0.88;0.77、0.77、0.78、0.84。在验证集中,kNN、SVM和LR的总体准确率、灵敏度、特异度和AUC分别为0.83、0.96、0.58、0.82;0.77、0.65、1.0、0.88;0.83、0.78、0.91、0.86(图4)。就准确率而言,kNN在三种模型中表现最佳。通过十折交叉验证方法获得的多种影像组学模型ROC曲线下AUC值显示出更好的性能。
影像组学标签的构建
影像组学标签由15个特征构建。Rad-score使用以下公式计算:
Rad-score = 0.6552 – 0.0484 × original_firstorder_Range – 0.044
× squareroot_firstorder_RootMeanSquared – 0.0122
× square_firstorder_RobustMeanAbsoluteDeviation – 0.0048
× wavelet-LLH_firstorder_TotalEnergy – 0.0031
× exponential_firstorder_90Percentile – 0.0018
× wavelet-LLH_firstorder_Maximum – 0.0011
× logarithm_glszm_SmallAreaHighGrayLevelEmphasis + 0.0006
× squareroot_glszm_SmallAreaHighGrayLevelEmphasis + 0.0011
× logarithm_glszm_SmallAreaHighGrayLevelEmphasis + 0.0153
× wavelet-HLL_glszm_HighGrayLevelZoneEmphasis + 0.0187
× wavelet-HLL_glrlm_ShortRunLowGrayLevelEmphasis + 0.0209
× wavelet-HHL_glcm_Imc1 + 0.0216
× wavelet-LLH_glrlm_ShortRunLowGrayLevelEmphasis + 0.0216
× original_glszm_SmallAreaHighGrayLevelEmphasis + 0.0369
× wavelet-HLL_glrlm_LowGrayLevelRunEmphasis
Rad-score在吸收组和实变组之间显示出显著差异(r = 0.5022,95% CI:0.3838–0.6044,p < 0.0001)。
影像组学列线图的构建及预测性能评估
将Rad-score、年龄、中性粒细胞计数、NK%和CD3%纳入放射组学列线图的构建(图5a)。放射组学列线图在训练集、验证集和整个队列中的校准曲线分别见图5b–d。采用ROC分析评估临床因素模型和放射组学列线图的预测性能。我们发现,当使用临床因素预测预后时,训练集中的C-index为0.82 [95% CI(0.75–0.88);敏感性0.61;特异性0.92],验证集中为0.77 [95% CI(0.59–0.90);敏感性:0.83;特异性:0.64]。相比之下,放射组学列线图显示出最佳的预测性能。在训练集中,C-index为0.91 [95% CI(0.85–0.95);敏感性:0.83;特异性:0.84],验证集中C-index为0.85 [95% CI(0.69–0.95);敏感性:0.61;特异性:1.0]。图6分别显示了临床因素模型和放射组学列线图在训练集和验证集中的ROC曲线。对于训练集,放射组学列线图的C-index显著高于临床因素模型(p = 0.0021)。校准曲线显示训练集和验证集均具有良好的校准度。训练集中的DCA结果见图7。放射组学列线图在三种模型中显示出最高的净获益。
讨论
本研究的目的是确定源自CT图像的放射组学在预测COVID-19患者预后方面的价值。结果表明,整合Rad-score和临床因素的放射组学列线图对影像学进展具有良好的预测价值。
实验室检测在诊断和管理人类疾病(包括COVID-19)中具有重要作用。21 对呼吸道标本进行逆转录聚合酶链反应(RT-PCR)被认为是COVID-2019感染病原学诊断的金标准。22,23 然而,根据近期报告,RT-PCR检测COVID-19的诊断准确性可能低于最佳水平。24 Ai等25检查了1014例疑似COVID-19患者,这些患者接受了RT-PCR检测和胸部CT扫描。他们发现CT的诊断准确性高于RT-PCR(88%的患者有阳性胸部CT表现,而仅59%的患者RT-PCR为阳性)。此外,近期研究报告称,将(实时)RT-PCR与临床症状、流行病学证据和CT表现相结合有助于COVID-19的诊断。26
Guan等27调查了中国COVID-19患者的临床特征,并报告大多数入院病例表现为淋巴细胞减少、血小板减少和白细胞减少。大多数患者CRP水平升高。发热和咳嗽是主要症状,而胃肠道症状不常见。28,29
本研究纳入了一系列临床因素。我们发现,与吸收组相比,实变组年龄更高、中性粒细胞计数升高,且T淋巴细胞亚群发生变化,这与既往研究一致。总体而言,在COVID-19感染早期,由于症状和影像学表现的多样性以及就诊时疾病严重程度的差异,诊断和评估较为复杂。
胸部CT在临床诊断、监测病情进展和评估疗效方面具有重要意义;然而,CT在COVID-19诊断和病情评估中的作用仍存在争议。迄今为止,仅有少数研究详细报告了COVID-19中常见的CT特征。3,6,30 GGO和实变是COVID-19病灶在胸部CT上的两种主要表现。Li等31报告,在51例接受胸部CT检查的病例中,有49例(96.1%)出现单发或多发不规则GGO或/和实变病灶。在本研究中,早期CT表现为GGO;部分患者病灶吸收,病灶密度逐渐降低。相反,在某些疾病进展的患者中,GGO转变为实变,病灶密度增高。在这方面,CT能够预测哪些患者可能进展,从而采取早期干预,部分降低重症COVID-19的发生率并改善患者预后(如微量营养素、抗病毒治疗和免疫治疗)。然而,胸部CT在识别特定病毒方面仍存在局限性。COVID-19的CT特征与相似家族病毒(如MERS-CoV或SARS-CoV)所致疾病的特征存在重叠。此外,这些发现是定性性的,限制了其准确性。因此,迫切需要新的方法来评估CT特征以预测疾病进展,从而指导临床治疗。
近年来,影像组学已被证明是一种潜在的影像学方法,可识别CT图像上视觉评估之外的疾病生物学特征。既往一项研究应用基于影像组学的预测模型,使用随机森林(RF)和kNN分类器来识别糖皮质激素敏感性结缔组织病相关间质性肺病,RF模型的AUC为0.66,kNN模型为0.61。32 Zhang等33将CT影像组学和PET代谢参数相结合,构建分类模型(使用SVM方法)以区分肺良恶性病变。他们的模型显示出可观的诊断能力。
据我们所知,本研究首次报道了基于CT的影像组学在COVID-19预后预测中的应用。我们应用三种分类器,包括kNN、SVM和LR,开发基于影像组学的模型来预测病变的吸收和实变。我们的结果显示,三种模型在特征分类方法中均具有良好的预测性能(准确率>0.70,AUC>0.80)。充分分析临床因素和影像学表现有助于COVID-19患者的准确诊断和管理。随后,计算Rad-score并与独立临床因素相结合构建影像组学列线图,在预测COVID-19病变影像学进展方面取得了良好效果。此外,包含Rad-score的列线图具有相对更高的C指数和净获益,优于临床因素模型,提示CT纹理特征在区分吸收组和实变组方面具有额外价值。影像组学作为一种计算机辅助技术,有助于识别与疾病进展生物学相关的微观特征。仅基于临床因素的评估不能用于全面评价肺炎的病程;将影像组学特征和临床因素整合到一个联合列线图中,可以实现对高风险患者的更早期发现。尽管由于多种原因(辐射剂量、患者转运、效率、可及性等),胸部X线摄影在全球范围内主要用于COVID-19管理,34,35但由于图像数量有限导致图像信息丢失,基于影像组学特征的预测性能很难通过胸部X线摄影实现。
本研究存在一些局限性。第一,这是一项回顾性队列研究;因此,潜在的选择偏倚可能影响结果的重复性和稳定性。已经住院并接受CT检查的患者要么临床病情更严重,要么相当不典型。第二,研究纳入的患者数量有限,这可能影响最终结论的普遍性。第三,少数患者观察到同时存在的实变病变,但在疾病早期相对较少,对结果的总体影响较小。最后,本研究未讨论纤维化情况。尽管如此,一些放射科医生提示纤维化可能提示COVID-19的不良结局,报道其可能随后进展至高峰阶段或导致肺间质纤维化疾病。9,36 应扩大样本量并将患者纳入纤维化组进行预后评估。
结论
基于CT图像的影像组学列线图在COVID-19预后方面具有良好的预测性能。影像组学列线图作为一种定量、无创的手段,可作为潜在的生物标志物,补充常规影像学和实验室检查,并帮助医生更准确地将患者分为不同阶段,以用于临床决策过程。
引用
- Chen H, Zeng M, Wang X, et al. A CT-based radiomics nomogram for predicting prognosis of coronavirus disease 2019 (COVID-19) radiomics nomogram predicting COVID-19. Br J Radiol. 2020. PMID: 33296222. doi:10.1259/bjr.20200634
- 全文:PMC7774709(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7774709/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。