在最近发表在《公共卫生前沿》上的一项研究中，研究人员证明，胸部计算机断层扫描 (CT) 扫描中的血管样信号 (N) 可以作为 2019 年早期冠状病毒病 (COVID-19) 的强大成像生物标志物 (IB)筛选。他们还验证了这些与临床相关的 IB，从而为协助筛查 COVID-19 患者开辟了新的可能性。最重要的是，这些 IB 显示出减少临床医生工作量和帮助将 COVID-19 与其他肺部疾病区分开来的巨大潜力。

研究：开发和验证用于早期 COVID-19 筛查的胸部 CT 成像生物标志物。图片来源：泰勒奥尔森/Shutterstock

背景

许多国家的核酸(NA)检测试剂盒和专业人才短缺，限制了通过诊断检测早期检测COVID-19的可能性。疾病早期相对较低的病毒载量也会导致假阴性或逆转录聚合酶链反应 (RT-PCR) 测试的敏感性有限。然后，相当一部分患者在发病期间甚至没有典型的临床症状。

肺部成像，尤其是胸部 CT 扫描，可以在 COVID-19 的早期诊断中发挥独特的作用。它可在感染早期检测 COVID-19 患者肺部的单焦点磨玻璃影 (GGO)。随着疾病的进展，GGO 浸润整个肺部并表现为病变。肺部 CT 图像还可以帮助追踪 NA 检测阴性的 COVID-19 患者的肺部变化。

然而，限制大多数基于胸部 CT 的计算研究使用的原因是早期 COVID-19 患者缺乏典型特征。此外，社区获得性肺炎 (CAP) 患者的胸部 CT 特征具有误导性。

关于研究

在本研究中，研究人员筛选了来自中国两家医院的 419 名患者，将人工智能 (AI) 和肺部区域血管变化的临床发现与系统生物学方法相结合。根据中华人民共和国国家卫生委员会的标准，所有 COVID-19 患者均在 2020 年 1 月至 2020 年 3 月期间确诊为轻度至中度疾病。该团队从同一两家医院随机招募了健康患者和 CAP 患者，并将他们作为独立的训练和验证队列的对照。在 COVID-19 流行病爆发前几个月，对照患者还通过 CT 成像诊断出肺部感染。

此外，研究人员使用了两种不同的 CT 扫描仪 GE Optima 660 CT 和 uCT 530，管电压分别为 120 千伏峰值 (kVp)，重建厚度分别为 0.625 和 1.5 mm。他们使用迭代切向投票 (ITV) 在三个维度 (3D) 中识别患者预分割肺区域中的脉管系统样信号。他们将每个 3D 胸部 CT 图像重新采样到各向同性图像空间，然后是 ITV。

该团队邀请了两名在中国武汉有两个多月密集和持续诊断 COVID-19 经验的放射科医生，对研究验证队列中的 CT 图像进行独立和盲目评估。最后，他们使用 Mann-Whitney 非参数检验来确定不同组间血管系统样信号的差异和个体 IB 的丰度。同样，他们使用逻辑回归来发现肺特征与 COVID-19 之间的关联。

研究结果

在 419 名研究参与者中，来自医院 A 的 116 名患者和来自医院 B 的 303 名患者分别作为训练集和双盲验证集。这两个队列中参与者的中位年龄(以岁为单位)分别为 42 岁和 51 岁。培训和验证队列中的女性和男性比例分别为 45.7% 和 54.3% 和 53.1% 和 46.9%。训练队列中的 COVID-19 患者、健康参与者和 CAP 患者的数量分别为 47、20 和 49。同样，验证队列分别有 153、60 和 90 名 COVID-19 患者、健康参与者和 CAP 患者。

与健康和 CAP 患者相比，COVID-19 患者的肺部血管变化明显更多。有趣的是，训练队列中 ITV 在肺部区域识别和增强的血管样结构的平均强度显示健康、CAP 和 COVID-19 患者之间存在统计学显着差异 (p < 0.05)。

对来自训练队列的脉管系统信号空间应用堆叠预测稀疏分解(堆叠 PSD)，发现了八个与 COVID-19 相关的 IB。通过主成分分析 (PCA) 和聚类评估，每个人在 COVID-19 患者和其他患者之间的丰度都存在显着差异。基于训练队列中这些 IB 的 COVID-19 筛查随机森林分类模型表明，每个 IB 在筛查过程中的贡献不同。IB-163 给出了最好的单一生物标志物性能 [曲线下 (AUC) = 0.893]。

即使在验证队列中，这八个预先确定的 IB 也清楚地将 COVID-19 患者与其他患者区分开来。令人鼓舞的是，基于预先获得的 IBs 的随机森林模型以出色的灵敏度 (0.941) 和准确度 (0.931) 预测 COVID-19，与两位有 COVID-19 经验的胸部放射科医生竞争良好。除 IB-88 外，所有 IB 都为参与的放射科医师误诊的两个病例提供了知觉和定量区分，从而能够以超过 96% 的置信度进行准确筛查。

结论

跨医院和 CT 扫描仪的双盲验证证实，研究中确定的 IB 可以在现实世界的临床环境中稳健有效地工作。他们的表现优于 COVID-19 经验丰富的胸部放射科医师，尤其是对于早期 COVID-19 筛查中常见的模棱两可的病例。

许多端到端 AI 模型需要大量的训练队列和过多的计算资源。该研究开发了一种无监督学习框架，该框架采用前馈 IB 提取策略，仅涉及元素非线性和矩阵乘法。然而，它使用小型训练队列 (n = 116) 提供了卓越、可扩展和稳定的筛选性能。

总而言之，作者开发了一种稳健、准确且具有成本效益的 COVID-19 筛查方法，该方法提供了超出现有临床实践和许多现有端到端 AI 系统范围的临床见解。通过即兴创作，它可以促进早期预测 COVID-19 患者的预后和临床结果。