基于CT影像特征预测COVID-19患者肺部病变进展

苏祝平; 王海宝; 王嗣伟; 李若梅; 程庆红; 高宗根; 刘东峰; 张梦琦

doi:10.13471/j.cnki.j.sun.yat-sen.univ(med.sci).2023.0213

您当前的位置：

首页 >

文章列表页 >

基于CT影像特征预测COVID-19患者肺部病变进展

临床研究 | 更新时间：2024-02-19

- 基于CT影像特征预测COVID-19患者肺部病变进展
- Prediction of Pulmonary Disease Progression in Patients with COVID-19 Based on CT Radiomics
- 中山大学学报（医学科学版） 2023年44卷第2期页码：286-294
- 作者机构：
  
  1.安徽医科大学第一附属医院放射科，安徽合肥 230022
  2.中国科技大学附属第一医院离子医学中心（合肥离子医学中心）影像科，安徽合肥 230093
  3.合肥市第二人民医院新区放射科，安徽合肥 230011
  4.中国科学技术大学附属第一医院感染病区介入科，安徽合肥 230001
  5.合肥市第一人民医院滨湖院区CT室，安徽合肥 230092
- 作者简介：
  
  苏祝平，硕士生，主治医师，研究方向：神经系统肿瘤，E-mail：123635067@qq.com
- 基金信息：
  
  合肥市卫健委2020年新冠肺炎疫情防控科研项目(Hwk2020yb003)
- DOI：10.13471/j.cnki.j.sun.yat-sen.univ(med.sci).2023.0213
  中图分类号： R816
- 纸质出版日期：2023-03-20，
  
  收稿日期：2022-09-24，
扫描看全文
苏祝平,王海宝,王嗣伟等.基于CT影像特征预测COVID-19患者肺部病变进展[J].中山大学学报（医学科学版）,2023,44(02):286-294.

SU Zhu-ping,WANG Hai-bao,WANG Si-wei,et al.Prediction of Pulmonary Disease Progression in Patients with COVID-19 Based on CT Radiomics[J].Journal of Sun Yat-sen University(Medical Sciences),2023,44(02):286-294.
苏祝平,王海宝,王嗣伟等.基于CT影像特征预测COVID-19患者肺部病变进展[J].中山大学学报（医学科学版）,2023,44(02):286-294. DOI： 10.13471/j.cnki.j.sun.yat-sen.univ(med.sci).2023.0213.

SU Zhu-ping,WANG Hai-bao,WANG Si-wei,et al.Prediction of Pulmonary Disease Progression in Patients with COVID-19 Based on CT Radiomics[J].Journal of Sun Yat-sen University(Medical Sciences),2023,44(02):286-294. DOI： 10.13471/j.cnki.j.sun.yat-sen.univ(med.sci).2023.0213.

摘要

目的

基于不同阶段COVID-19患者肺部病变变化，利用CT影像学特征建立列线图模型，探讨其预测病变是否进展的效能。

方法

对136例新冠肺炎患者进行回顾性研究，均经2次以上CT扫描。这些患者数据被分成三个队列（训练队列，以及验证队列1和2）。训练队列中的患者根据发热症状开始至首次CT的时间分为三组，分析比较各组之间临床表现和CT特征。根据患者的CT特征构建了一个预测疾病进展的列线图，并对其性能进行了评估。

结果

训练队列包括41名患者。根据三个CT特征：不规则条索影、充气支气管征和不规则形态病灶的比例≥50%，生成了预测疾病进展的列线图，AUC（95%CI）=0.906（0.817，0.995）。训练队列的C指数为0.906，内部验证的C指数为0.892。验证队列1（34例）：

AUC（95%CI）=0.889（0.793，0.984）；验证队列2（61例）： AUC（95%CI）=0.876（0.706，1.000）。校准曲线表明，列线图预测值与观测值具有较好的一致性。

结论

基于CT影像组学建立的列线图模型可以预测患者肺部病灶的转归，具有较高的敏感性和特异性。根据新冠肺炎患者的CT影像特征变化，即当出现不规则条索影、充气支气管征和不规则形态病灶的比例≥50%时，肺部病灶将会得到改善。

Abstract

Objectives

Based on the changes of lung lesions in patients with COVID-19 at different stages， a nomogram model describing CT image features was established by radiomics method to explore its efficacy in predicting the progression of the disease.

Methods

This retrospective study enrolled 136 patients with COVID-19 pneumonia who received at least two CTs including three cohorts （training cohort and validation cohort 1 and 2）. Patients in the training cohort were divided into three groups according to time between onset of fever symptoms and the first CT. The clinical manifestations and CT features of each group were analyzed and compared. A nomogram to predict disease progression was constructed according to the CT features of the patients， and its performance was evaluated.

Results

The training cohort consisted of 41 patients.A nomogram was generated to predict disease progression based on three CT features： irregular strip shadow， air bronchial sign， and the proportion of lesions with irregular shape ≥50%.

AUC（95%CI）=0.906（0.817，0.995）.The C index of the training cohort was 0.906， and the C index of the internal verification was 0.892. AUC（95%CI）of the validation cohort 1 （34 cases） =0.889（0.793，0.984）；AUC（95%CI）of the validation cohort 2 （61 cases）=0.876（0.706，1.000）.The calibration curves show that the predicted values of the nomogram are in good agreement with the observed values.

Conclusion

The nomogram model based on CT radiomics can predict the outcome of lung lesions in patients with high sensitivity and specificity.According to the changes of CT image characteristics of patients with COVID-19， lung lesions will be improved when the proportion of irregular cable shadow， air bronchogram and irregular lesions is greater than 50%.

关键词

COVID-19计算机断层扫描疾病进展列线图

Keywords

COVID-19computed tomographydisease progressionnomogram

references

Xu X， Chen P， Wang J， et al. Evolution of the novel coronavirus from the ongoing Wuhan outbreak and modeling of its spike protein for risk of human transmission［J］. Sci China Life Sci， 2020， 63（3）： 457-460.

Chan JFW， Yuan S， Kok KH， et al. A familial cluster of pneumonia associated with the 2019 novel coronavirus indicating person-to-person transmission： a study of a family cluster［J］. Lancet， 2020， 395（10223）： 514-523.

Phan LT， Nguyen TV， Luong QC， et al. Importation and human-to-human transmission of a novel coronavirus in Vietnam［J］. N Engl J Med. 2020， 382（9）： 872-874.

Coronavirus disease （COVID-19） weekly epidemiological updates and monthly operational updates［EB/OL］. （2020-03-20）［2022-09-20］. https：//www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reportshttps://www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reports

Weekly operational update on COVID-19 - 10 May 2021［EB/OL］. （2021-05-11）［2022-09-20］. https：//www.who.int/publications/m/item/weekly-operational-update-on-covid-19---10-may-2021https://www.who.int/publications/m/item/weekly-operational-update-on-covid-19---10-may-2021

Lin C， Ding Y， Xie B， Sun Z， et al. Asymptomatic novel coronavirus pneumonia patient outside Wuhan： The value of CT images in the course of the disease［J］. Clin Imaging， 2020， 63： 7-9.

Pan F， Ye T， Sun P， et al. Time course of lung changes at chest CT during recovery from coronavirus disease 2019 （COVID-19）［J］. Radiology， 2020， 295（3）： 715-721.

Xie X， Zhong Z， Zhao W， et al. Chest CT for typical coronavirus disease 2019 （COVID-19） pneumonia： Relationship to negative RT-PCR testing［J］. Radiology， 2020， 296（2）： E41-45.

Wang S， Kang B， Ma J， et al. A deep learning algorithm using CT images to screen for corona virus disease （COVID-19）［J］. Eur Radiol， 2021， 1-5.

Feng Z， Yu Q， Yao S， et al. Early prediction of disease progression in 2019 novel coronavirus pneumonia patients outside wuhan with CT and clinical characteristics［EB/OL］. （2020-02-23）［2022-09-20］. https：//www.medrxiv.org/content/early/2020/02/23/2020.02.19.20025296https://www.medrxiv.org/content/early/2020/02/23/2020.02.19.20025296

Fang Y， Zhang H， Xu Y， et al. CT manifestations of two cases of 2019 Novel Coronavirus （2019-nCoV） pneumonia［J］. Radiology， 2020， 295（1）： 208-209.

Xu X， Yu C， Qu J， et al. Imaging and clinical features of patients with 2019 novel coronavirus SARS-CoV-2［J］. Eur J Nucl Med Mol Imaging， 2020， 47（5）： 1275-1280.

Colombi D， Bodini FC， Petrini M， et al. Well-aerated lung on admitting chest CT to predict adverse outcome in COVID-19 Pneumonia［J］. Radiology， 2020， 296（2）： E86-96.

Yang R， Li X， Liu H， et al. Chest CT severity score： An imaging tool for assessing severe COVID-19［J］. Radiol Cardiothorac Imaging， 2020， 2（2）： e200047.

Xu YH， Dong JH， An WM， et al. Clinical and computed tomographic imaging features of novel coronavirus pneumonia caused by SARS-CoV-2［J］. J Infect， 2020， 80（4）： 394-400.

Caruso D， Zerunian M， Polici M， et al. Chest CT features of COVID-19 in Rome， Italy［J］. Radiology， 2020， 296（2）： E79-85.

Meng H， Xiong R， He R， et al. CT imaging and clinical course of asymptomatic cases with COVID-19 pneumonia at admission in Wuhan， China［J］. J Infect， 2020， 81（1）： e33-39.

Shi H， Han X， Jiang N， et al. Radiological findings from 81 patients with COVID-19 pneumonia in Wuhan， China： A descriptive study［J］. Lancet Infect Dis， 2020， 20（4）： 425-434.

Wiersinga WJ， Rhodes A， Cheng AC， et al. Pathophysiology， Transmission， diagnosis， and treatment of coronavirus disease 2019 （COVID-19）： a review［J］. JAMA， 2020， 324（8）： 782-793.

王欣欣，邵晨，刘晖，等. 危重型新型冠状病毒肺炎两例的肺组织病理形态学特征［J］. 中华传染病杂志， 2020（6）： 333-336.

Wang XX， Shao C， Liu H， et al. Histopathological characteristics of lung tissue in two patients with severe novel coronavirus disease 2019［J］. Chin J Infectious Dis， 2020（6）： 333-336.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

威胁视力的2型糖尿病视网膜病变风险预测模型的建立与验证

肺癌患者合并肺部真菌感染的风险预测模型

基于深度哈希网络的肺结节CT相似图像检索方法研究

治疗前炎症指标构建模型预测卵巢癌患者术后生存