NAT BME:使用开放性肺炎患者临床数据资源，通过深度学习预测COVID-19预后

对COVID-19肺炎患者进行早期诊断并及时治疗，对于控制疫情，是非常重要的。然而，因为有限的医疗资源和大量感染的患者，这通常会导致医疗决策（如隔离或住院）的时间过长，这可能增加交叉感染的机会并影响预后效果。虽然COVID-19确诊依赖于通过逆转录定量PCR（RT-PCR）检测SARS-CoV-2 RNA，但该检测已被发现具有高特异性而且敏感性较低（Sn），报告的阳性率为38-57%。除了病原学实验室确认外，其他有助于确定COVID-19肺炎的关键诊断要素包括临床特征（CFs）和胸部计算机断层扫描（CT）图像。研究已经开始揭示相关的CFs，包括COVID-19的症状，如发烧、干咳、肌痛和呼吸短促。据报道，感染肺部的胸部CT影像学特征包括毛玻璃样混浊（GGO）和严重程度相关的强化。综合考虑上述诊断要素的特征，可以共同提高诊断的准确性和有效性。第一手CT和临床数据集的可用性对于指导临床决策、提供信息以加深对这种病毒感染的理解至关重要，为系统建模提供依据，以便于早期诊断和及时的医疗干预。实现这一目标的一个途径是建立一个开放获取和全面的资源，其中包括每个病人的胸部CT图像和CFs，以促进国际上共同努力，抗击COVID-19肺炎。

本文准备了两个队列，分别包括1170人和351人，分别是实验室确认的COVID-19患者、COVID-19阴性（对照）患者和疑似COVID-19患者，。1521例患者的临床发病率结果分为：（1）894例确诊为COVID-19，肺炎严重程度从轻度（24例，2.7%）、常规（596例，66.7%）、重度（202例，22.6%）到危重（72例，8.1%）不等；（2）328例COVID-19阴性（作为对照组处理）和（3）299例疑似COVID-19病例。并收集了他们相应的胸部CT图像，CFs和SARS-CoV-2实验室测试结果。

开发了一个以病人为中心的资源，命名为COVID-19的整合CT图像和CFs（iCTCF）来存档和共享丰富的数据。从1342名有胸部CT数据的受试者中导出了364357张JPEG格式的CT片，其中313名对照组的82239张（22.6%），21名轻度患者的3704张（1.0%），543名正常者的137512张（37.7%），56张，170例重症患者132例（15.4%）和35例重症患者8911例（2.4%），260例疑似COVID-19患者75859例（20.8%）。治愈病例共获得164998个CT切片，死者共获得4935个CT切片。CF资料分为基础资料、血常规、炎症试验、凝血试验、生化试验、免疫细胞分型、细胞因子分型、自身免疫试验、尿常规9大类130个类型。

使用队列1，整合了高度异质性的CT和CF数据集，用于无偏预测COVID-19患者（HUST-19）临床结果，包括发病（定义为轻度或常规型（I型）和重度或危重型（II型））和死亡率结果。对于发病结果，HUST-19曲线下面积（AUC）值分别为0.978、0.921和0.931，用于预测阴性病例（对照）、轻度或常规（I型）和重症或危重症（II型）患者。使用队列2作为验证数据集来评估HUST-19，其准确率一直令人满意。对于死亡率结果，本文将两个队列合并，得出预测死亡病例的AUC值为0.856。利用HUST-19对队列1中的299例疑似病例进行了回顾性分析，预测了207例潜在的Ⅰ型病例和71例潜在的Ⅱ型病例。

iCTCF和HUST-19适用于中国以外的地区。iCTCF数据库信息丰富、可靠，可作为COVID-19诊断和临床管理的重要资源。

Ning, W., Lei, S., Yang, J. et al. Open resource of clinical data from patients with pneumonia for the prediction of COVID-19 outcomes via deep learning. Nat Biomed Eng 4, 1197–1207 (2020). https://doi.org/10.1038/s41551-020-00633-5