Medical Image Analysis: 深度学习预测COVID-19恶性进展

2021-05-13 MedSci原创 MedSci原创

2020年以来,新冠肺炎对人民生活产生了根本性影响。截至2020年8月12日,全球COVID-19感染人数飙升至2020万人(20,162,474),死亡率为3.7% (737,417/20,162,

2020年以来,新冠肺炎对人民生活产生了根本性影响。截至2020年8月12日,全球COVID-19感染人数飙升至2020万人(20,162,474),死亡率为3.7% (737,417/20,162,474),给公共医疗体系带来巨大挑战。法国和英国的死亡率居世界首位,分别为15.8%(30227 / 191265)和14.9%(46,526/312,793)。相比之下,其他一些国家的死亡率要低得多,如德国4.2% (9,207/218,519)。

由于COVID-19具有高度传染性,因此许多患者可以同时涌入医院进行诊断和治疗,这极大地挑战了公共医疗系统。通常根据首次评估的症状严重程度确定治疗优先级。但是,临床观察表明,某些症状较轻的患者可能会迅速恶化。因此,确定患者早期恶化以优化治疗策略至关重要。

CongFang等的研究主要集中于利用入院时确定的临床变量或定量CT参数,通过多元回归光梯度增压机(LightGBM) 或LASSO进行进展预测。然而,这些方法的性能与实际使用相比仍有很大差距,原因有三:1)需要人工对特征模式进行量化,导致分析前信息丢失;2)时间线索或多或少被忽略,但对准确预测至关重要;3)胸部CT扫描与临床数据采集的患者特征不同,但两者之间的互补性没有充分发挥作用。

为解决上述问题,该团队借助人工智能(AI)技术,提供了预测COVID-19恶性进展的准确模型。基于深度学习方法,该模型有效挖掘了胸部CT扫描静态临床数据和动态序列中的互补信息。它以端到端方式对原始数据进行操作,这意味着不需要任何特征模式的手工设计或临床医生的干预。此外,该模型自动识别导致恶性进展的关键指标,包括肌钙蛋白、脑利钠肽、白细胞计数、天冬氨酸转氨酶、肌酐和超敏c反应蛋白。

本系统预测COVID-19恶性进展的流程。首先,3D ResNet和MLP分别对胸部CT扫描和临床数据进行编码。然后,我们将这两个特征结合起来,并将它们输入一个LSTM来建模时间信息。最后,利用几个全连通层进行预测。

多中心域自适应过程。首先,我们在源中心对编码器进行预训练,然后,通过基于度量的方法对模型进行调整,将从源中心学习到的原型表示传递给目标中心。

我们的工作构建了COVID-19恶性进展的早期预警系统,以减少患者分层不确定性,优化诊断和治疗,提高医疗资源配置效率,提高医疗系统应急响应能力。最终降低死亡率。对三个队列的综合实验表明,我们的系统同时使用CT扫描和临床数据,在内部验证(受试者工作特征曲线下面积: 0.920, 95%置信区间:[0.861, 0.979],队列1),但更重要的是,在外部验证中具有强大的泛化能力(AUC: 0.885, 95% CI:[0.847, 0.923],队列2;AUC: 0.862, 95% CI:[0.789, 0.935],第三组)。

比较不同方法对队列的ROC曲线

比较不同特征选择算法在队列上的ROC曲线

多中心研究中不同方法的ROC曲线比较。在每个类中,在域适应过程中使用相同数量的样本。

预后因素的自我注意模块。B × 61表示批次大小和向量长度。

临床资料中最重要的预后因素。

冠状病毒引起的肺炎给公共医疗系统带来巨大压力。这些患者如果没有及时有效的治疗,最终会发展为多器官衰竭并伴有高死亡率。因此,对症状轻且恶性进展至重/危重期风险高的患者进行早期预测和早期积极治疗是降低死亡率的重要途径。

该研究团队开发的这种具有深度学习技术的预警系统,可用于预测COVID-19恶性进展。利用CT扫描和门诊患者的临床数据,在单中心研究中AUC0.920。还提出了一种领域自适应方法,以改善模型的通用性并在多中心研究中实现平均AUC达0.874。此外,该模型自动识别导致恶性进展的关键指标,包括肌钙蛋白、脑利钠肽、白细胞计数、天冬氨酸转氨酶、肌酐和超敏c反应蛋白。

综上所述,该预警系统以深度学习技术为基础,结合CT序列扫描和临床数据,能够准确预测COVID-19恶性进展。与传统的机器学习方法相比,基于深度学习的方法可以学习具有区别性的特征模式,并显著提高预测性能。在多中心研究中,通过域自适应,提高了该方法的泛化能力。该研究提出的方法通过一种廉价、广泛可用的即时检测来识别潜在严重、危险预后的 COVID-19患者。该系统可以部署在降低COVID-19死亡率的前线

原文出处

Cong Fang, Song Bai, Qianlan Chen, Yu Zhou, Liming Xia, Lixin Qin, Shi Gong, Xudong Xie, Chunhua Zhou, Dandan Tu, Changzheng Zhang, Xiaowu Liu, Weiwei Chen, Xiang Bai, Philip H.S. Torr,Deep learning for predicting COVID-19 malignant progression,Medical Image Analysis,2021,102096,ISSN 1361-8415,https://doi.org/10.1016/j.media.2021.102096.

版权声明:
本网站所有注明“来源:梅斯医学”或“来源: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:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。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
评论区 (1)
#插入话题
  1. 2021-05-19 ms2000000609842754

    学习

    0

相关资讯

Radiology:人工智能,实现脑转移瘤的“一站式”检测

脑转移发生在约20%-40%的癌症患者中,且由于治疗手段的不断进步,癌症患者的存活期明显延长,因此发病率可能进一步上升。

Radiology:深度学习,使CT自动钙化评分变成“万金油”!

冠状动脉钙化(CAC)评分经常用于在CT扫描上测量冠状动脉粥样硬化斑块负荷和预测心血管疾病(CVD)风险。

BJU Int:深度学习方法预测前列腺癌的淋巴结转移

最近,有研究人员基于卷积神经网络(CNN)对原发性肿瘤组织进行了分析,开发了一种新的数字生物标志物来预测淋巴结转移(LNM)。

Nat Commun:深度学习助力组织病理鉴定

研究人员的方法利用来自5700个样本的160万个认证病理学家的注释,来训练用于细胞和组织分类的深度学习模型,这些模型可以详尽地映射2和4微米分辨率的全玻片图像。

nature BME:超声心动图视频的深度学习辅助分析提高了全因死亡率的预测

对心脏进行一次常规超声检查(超声心动图)时,需要采集大约10-50个视频(大约3000个图像),以评估心脏解剖和功能。在临床实践中,心脏病专家在解释这3000张图像的时间有限,这些图像还涉及许多其他数

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

打开APP