European Radiology:如何实现影像学的标准COVID-19全自动预测?
2022-08-23 shaosai MedSci原创
放射组学是一种利用数学算法量化医学成像中病变的表型特征的方法,可用于预测疾病的严重程度和进展。
近期发表的文章显示,COVID-19具有明显的影像学特征,使得使用CT筛查疑似病例和评估疾病进展成为可能。基于CT的发现,一些放射学协会发布了COVID-19患者分期的标准化协议,其中做常用的是由荷兰放射学会(NVvR)发布的COVID-19报告和数据系统或CO-RADS五级疑似分类方案。CO-RADS包括在COVID-19高发人群中,从胸部CT上的典型COVID-19特征中分辨出与明确的非感染性起源或社区获得性肺炎有关的特征。因此,使用CO-RADS这样的标准化评分是实施COVID-19自动检测方法的最直接的影像学方法。
放射组学是一种利用数学算法量化医学成像中病变的表型特征的方法,可用于预测疾病的严重程度和进展。这种定量过程与传统的放射学方法形成鲜明对比,在这种方法中,放射科医生主要根据定性属性来描述病变。放射学特征是在次视觉水平上提取的,这意味着计算机系统可以检测到人类视觉系统可能无法辨别的模式。因此在标准化的环境中使用时,放射组学可以提供有价值的临床信息,并作为传统放射学分析的补充。
近日,发表在European Radiology杂志的一项研究使用经过和未经过降噪处理的数据集进行了模型评估,并使用基于SHapley Additive exPlanations(SHAP)的放射学特征对模型输出进行了解释,以实现通过使用分类算法结合最佳放射学特征预测胸部CT上的CO-RADS评分对COVID-19进行自动诊断及分层。
本项多机构回顾性研究包括来自意大利和俄罗斯患者的2720张胸部CT扫描(平均年龄,58岁[范围18-100岁])。由来自三个国家的三位委员会认证的放射科医生评估了每个人群中随机选择的亚群,并提供了基于CO-RADS的注释。在预处理步骤(如肺叶分割和自动降噪)之后,从选定的亚群中提取了CT放射组学特征。比较了三种机器学习模型用于CO-RADS自动分类:逻辑回归(LR)、多层感知器(MLP)和随机森林(RF)。模型评估在两种情况下进行,首先在一个混合的多人口亚群上进行训练,然后在一个独立的保留数据集上测试。在第二种情况下,对单一人口统计学进行训练,并对其他人口统计学进行外部验证。
放射科医生之间的CO-RADS评分的总体观察者间一致性很高(k = 0.80)。无论验证测试场景的类型如何,疑似COVID-19 CT扫描的识别准确率为84%。SHapley Additive exPlanations(SHAP)解释显示,"小波_(LH)_GLCM_Imc1 "特征对COVID预测有积极价值,无论是否有降噪。降噪的应用提高了所有类型的分类器之间的整体性能。
图 机器学习算法的ROC曲线,图像显示了其对正常胸部CT和其他CO-RADS阶段的分类能力。降噪后,分类器的性能显著提高
本研究表明,使用系统的方法来构建放射学特征并采用简单的ML分类器可实现在多人口的环境中有效地进行COVID-19区分。本研究发现,通过利用放射组学的力量并结合降噪,可以从平扫胸部CT中预测CO-RADS评分,而且准确率比较高,将进一步促进COVID-19自动检测的可重复性和可比性模型。
原文出处:
Yeshaswini Nagaraj,Gonda de Jonge,Anna Andreychenko,et al.Facilitating standardized COVID-19 suspicion prediction based on computed tomography radiomics in a multi-demographic setting.DOI:10.1007/s00330-022-08730-6
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#PE#
100