基于胸部CT图像定量特征的2019冠状病毒病（COVID-19）严重程度评估
图像与视频处理
2020-03-28 v1 计算机视觉与模式识别
摘要
背景：胸部计算机断层扫描（CT）被公认为COVID-19严重程度评估的重要工具。随着受影响患者数量迅速增加，人工严重程度评估成为劳动密集型任务，并可能导致治疗延迟。目的：使用机器学习方法基于胸部CT图像实现COVID-19的自动严重程度评估（非重症或重症），并探索所得评估模型中的严重程度相关特征。材料与方法：使用176例确诊COVID-19患者的胸部CT图像（年龄45.316.5岁，男96例，女80例），从中计算63个定量特征，例如全肺感染体积/比例和磨玻璃影（GGO）区域体积。训练随机森林（RF）模型以基于定量特征评估严重程度（非重症或重症）。从RF模型计算每个定量特征的重要性，其反映与COVID-19严重程度的关联性。结果：使用三重交叉验证，RF模型显示出有前景的结果，即真阳性率0.933、真阴性率0.745、准确率0.875、受试者工作特征曲线下面积（AUC）0.91。所得定量特征重要性显示，磨玻璃影（GGO）区域的体积及其比例（相对于全肺体积）与COVID-19严重程度高度相关，且从右肺计算的定量特征比左肺的特征更与严重程度评估相关。结论：基于RF的模型可实现COVID-19感染的自动严重程度评估（非重症或重症），且性能良好。揭示了若干具有反映COVID-19严重程度潜力的定量特征。
引用
@article{arxiv.2003.11988,
title = {Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images},
author = {Zhenyu Tang and Wei Zhao and Xingzhi Xie and Zheng Zhong and Feng Shi and Jun Liu and Dinggang Shen},
journal= {arXiv preprint arXiv:2003.11988},
year = {2020}
}