基于深度学习的新型冠状病毒肺炎转归胸部CT 评价

赵建华 柴 军 张晓琴 贺燕林 刘 瑞 孙德俊

1 内蒙古自治区人民医院影像医学科，呼和浩特 010017；2 内蒙古自治区人民医院国家卫生健康委慢阻肺诊治重点实验室，呼和浩特 010017

目前在全球多国蔓延的新型冠状病毒肺炎（corona virus disease 2019，COVID-19），其病毒属于β 属冠状病毒[1]。胸部CT 对COVID-19 的诊断具有较高价值[2-3]。根据《新型冠状病毒感染的肺炎诊疗方案（试行第五版）》[4]可将患者临床分型分为轻型、普通型、重型和危重型。COVID-19 病死者多为重症（重型、危重型）患者，因此，对普通型患者临床转归的研究就显得尤为重要。人工智能（artificial intelligence，AI）技术强大的数据分析和特征识别能力可为影像医师提供快速有效的帮助。本研究基于深度学习的AI 技术对42 例不同临床转归的普通型COVID-19 患者的胸部CT 资料进行回顾性分析，以提高对COVID-19 转归的影像认识。

1 资料与方法

1.1 一般资料

回顾性分析2020 年1 月25 日至3 月29 日来自内蒙古自治区COVID-19 病例库的42 例COVID-19 患者（临床分型为普通型）入院后第一次胸部CT 资料，其中男性20 例、女性22 例，年龄17 个月～86 岁[（48.74±17.18）岁]。所有患者均有流行病学史（均为疫区旅居人员或与之有密切接触者）。初诊时发热36 例、咳嗽29 例、无临床症状4 例，实验室检查结果示WBC 和淋巴细胞计数减少。根据是否转为重症（重型或危重型）将患者分为未转为重症的A 组（n=29）和转为重症的B 组（n=13）。纳入标准：内蒙古自治区临床确诊临床分型为普通型的COVID-19 患者；排除标准：所有未确诊病例（包括无症状感染者）和首诊临床分型为轻型、重型和危重型病例。

本研究获得了内蒙古自治区人民医院伦理学委员会的批准，批准文号为202000107L。

1.2 影像学检查方法

使用美国GE 公司的Light Speed VCT 64 层和荷兰Phillips 公司的Brilliance 16 层CT 机。扫描参数：管电压120 kV，管电流30～70 mA，层厚5.00 mm，重建层厚1.0～1.3 mm，螺距0.99～1.20，矩阵512×512。患者均采取仰卧位，深吸气后在屏气状态下完成1 次胸部扫描，扫描范围由肺尖至肺底。在肺窗（窗宽1100～1300 HU，窗位−430～530 HU）和纵隔窗（窗宽350～400 HU，窗位40 HU）进行图像分析。

1.3 图像分析与模型检测

由影像医学科心胸组2 位副主任医师共同对胸部CT 薄层图像的模型检测结果进行分析，意见不一致时，由第3 位心胸组主任医师审核，最终协商达成一致意见。

应用AI 肺炎辅助诊断系统（北京推想科技有限公司，Inferead CT Pneumonia）进行肺炎病灶分割和密度、体积的测量，该系统利用迁移学习技术和大量标记好的COVID-19 数据进行训练，训练完成后，通过深度学习分割模型勾画肺病灶区域，通过计数像素个数和像素点体积计算肺炎病灶的密度（CT 值）、体积、占肺叶和整肺体积的百分比。

1.4 统计学方法

采用SPSS22.0 软件对数据进行统计学分析。计量资料采用Shapiro-Wilk 方法进行正态分布检验，对符合正态分布的计量资料用±s表示，年龄比较采用两独立样本t 检验（方差齐）；对非正态分布的影像组学参数采用M（P25，P75）表示；各肺叶感染体积及不同CT 阈值范围内占比的比较采用Mann-Whitney U 非参数检验。性别、感染肺叶分布及感染肺叶数采用例数（构成比）表示，采用卡方检验或Fisher's确切概率法进行比较，检验水准α=0.05。P＜0.05为差异有统计学意义。

2 结果

2.1 2 组患者性别、年龄及病灶特点的比较

由表1 可知，A、B2 组患者的性别差异无统计学意义（χ2=0.016，P=1.000），B 组患者的年龄（t=5.64，P＜0.001）和中位年龄（Z=4.261，P＜0.001）均高于A 组，且差异有统计学意义。

由表2 可知，B 组患者感染肺叶数以及各肺叶感染体积占比（各肺叶感染体积占相应肺叶总体积的百分比）、总感染体积占比（总感染体积占总肺叶体积的百分比）均高于A 组，且差异有统计学意义（Z=2.505～3.605，均P＜0.05），以双肺下叶感染较多，右肺中叶较少（表1、2）。

2 组患者的肺部总体积差异无统计学意义（Z=1.456，P=0.146）；B 组患者右肺上叶、中叶、下叶，左肺上叶、下叶感染体积及双肺总感染体积均高于A 组，且差异有统计学意义（Z=2.301～3.254，均P＜0.05）（表3）。B 组患者在不同CT 值阈值范围内的肺部感染体积占比均高于A 组患者，且差异有统计学意义（Z=3.115～3.578，均P＜0.05）（表4）。

2.2 2 组患者病灶的影像学特点

CT 显像结果显示，B 组病灶均为双肺分布，A 组有2 例患者的早期胸部CT 无异常，后复查出现肺炎表现；2 组患者的病灶均以双肺分布的磨玻璃密度影（ground glass opacity，GGO）实变为主。A 组患者CT 的主要表现为以双肺或单侧肺2 个及2 个以上肺叶分布为主、呈大小不等的片状GGO和实变影，部分较淡薄，病灶形态多不规则，部分呈扇形、楔形、类圆形病灶（图1、2），胸膜下、肺叶外周带分布多见，右肺中叶受累相对少见，亦可仅见于一个肺叶（图1 中C、D）；均未见胸腔积液及纵隔、肺门淋巴结肿大。B 组均呈现出以双肺胸膜下及肺野外周带分布为主的GGO（图3、4 中A、B）和实变影，由于患者机体抵抗力不同，病变进展为重型、危重型，肺泡内渗出增多，密度增高，部分形成肺实变，病变范围扩大，表现为双肺分布的斑片状、大片状实变和GGO，以胸膜下为主，在后期修复愈合过程中，纤维成分形成多发纤维条索（图4 中C）。

表 1 42 例COVID-19 患者的一般资料Table 1 General information of 42 patients with COVID-19

3 讨论

COVID-19 是由严重急性呼吸综合征冠状病毒2 引起的肺部感染性疾病，传染性较强，人群普遍易感，以呼吸道飞沫传播和接触传播为主要传播途径[5-7]。

病毒核酸检测、基因测序、病毒抗体血清学检测是《新型冠状病毒肺炎诊疗方案（试行第七版）》[8]中确诊COVID-19 的“金标准”。病毒核酸检测和基因测序耗时较长，假阴性率较高[9-10]，往往不能及时确诊；而病毒血清学检测作为一种新的诊断方法，其特异度和灵敏度有待进一步的临床试验证实。而胸部CT 特别是薄层高分辨率CT 可准确显示胸部病灶的细微结构，诊断阳性率达88%～98%[9]，是目前对COVID-19 患者筛查、诊断及评估病程转归推荐的首选检查方法之一[11]。近年来，随着AI 的发展，其与医学影像学技术的结合对部分疾病的诊断取得了突破性进展[12]。基于深度学习的计算机辅助诊断技术在提高医师读片速度和准确率的同时，还可以进行自我学习，不断优化读片效果[13]。针对COVID-19 的特殊影像学表现进行算法的迭代和优化，进而计算出肺炎病灶的密度、体积和占肺叶或整肺体积百分比。目前已开发的COVID-19 相关AI 模型的诊断准确率为94.00%～95.24%[14]。Yang 等[14]的研究结果显示，深度学习可识别COVID-19，并可将其与细菌性感染相鉴别，诊断灵敏度为96%，且单例患者的诊断时间可缩短至30 s 内完成。

表 2 2 组COVID-19 患者感染肺叶数和各肺叶感染体积占比的比较[M（P25，P75）]Table 2 Statistical table of the number of infected pulmonary lobes and the proportion of infected pulmonary lobes in 2 groups of COVID-19 (M (P25, P75))

表 3 2 组COVID-19 患者各肺叶感染体积的比较[M（P25，P75），cm3]Table 3 Comparison of infection volume of each lobe in 2 groups of patients with COVID-19 (M (P25, P75), cm3)

表 4 2 组COVID-19 患者在不同CT 阈值范围的肺部感染体积占比的比较[M（P25，P75），%]Table 4 Statistical table of infected proportion with different CT thresholds in 2 groups of COVID-19 (M (P25, P75), %)

图 1 普通型新型冠状病毒肺炎未转归重症患者的胸部CT（A、C、E、G）及其AI 病灶识别勾画图像（B、D、F、H） 图中，A、B：双肺下叶条片状、斑片状密度增高磨玻璃密度影及条索，肺野外周带为主（女性，47 岁）；C、D：病灶仅分布于右肺下叶胸膜下，呈斑片状磨玻璃密度影，可见小血管穿行（男性，42 岁）；E、F：双肺下叶片状、右肺中叶有小片状淡薄磨玻璃密度影（男性，45 岁）；G、H：右肺片状磨玻璃密度影伴局部实变，左肺小片状磨玻璃密度影（男性，77 岁）。CT：计算机体层摄影术；AI：人工智能Fig. 1 Chest CT（A, C, E, G）and artificial intelligence focus recognition delineation（ B, D, F, H） images of COVID-19 common type that were not converted to severe case

图 2 普通型新型冠状病毒肺炎未转归重症患者（女性，24岁）的胸部CT 及其AI 病灶识别勾画图像 图中，A：2020年1 月23 日胸部CT 示右肺下叶呈斑片状磨玻璃密度影，边缘模糊、内可见增粗小血管；B：图A 的AI 病灶识别勾画图像；C：2020 年1 月29 日胸部CT 示右肺下叶呈片状密度增高磨玻璃密度影，可见小叶内间隔增厚；D：2020 年2 月4 日胸部CT 示右肺下叶病灶较之前明显吸收，呈淡薄磨玻璃密度影，可见小血管增粗。CT：计算机体层摄影术；AI：人工智能Fig. 2 Chest CT and artificial intelligence focus recognition delineation images of COVID-19 common type that was not converted to severe case（female，24 years old）

图 3 普通型新型冠状病毒肺炎转归重症患者（男性，67 岁）的胸部CT（A）及其AI 病灶识别勾画图像（B） 图中，双肺外周带分布磨玻璃密度影, 沿支气管血管束分布。CT：计算机体层摄影术；AI：人工智能Fig. 3 Chest CT (A) and artificial intelligence focus recognition delineation images (B) of COVID-19 common type that was converted to severe case（male，67 years old）

本研究结果显示，普通型COVID-19 患者的胸部CT 图像多呈不同形态的GGO 和实变病灶，单发少见，以双肺下叶分布为主，右肺中叶受累略少；以肺野外周带、下肺背侧胸膜下区及肺底多见，可能与严重急性呼吸综合征冠状病毒2 主要定植于下呼吸道的细支气管和肺泡上皮细胞有关，其发病基础有可能与其他冠状病毒相似，由炎性细胞因子风暴引起不同程度的弥漫性肺泡损伤[7]。而肺泡内渗出和水肿并不明显，胸部CT 表现为边缘模糊的GGO[15]。本研究中，A 组病灶累及双肺多个肺叶，病灶多呈小片状、不规则斑片状、楔形，也可呈类圆形，密度不均，多呈淡薄的GGO，内可见支气管血管束增粗或局部小叶内间隔增厚，随着病变进展表现为呈双侧非对称性胸膜下楔形或扇形分布的斑片状密度增高病灶，以双肺下野分布为主；GGO 在肺泡内渗出液增多时可实变，呈节段性或小叶性分布的软组织密度影或致密条索。转为重症（重型或危重型）的B 组平均年龄较A 组高，AI 示感染肺叶数以及各肺叶感染体积占比、总感染体积占比均高于A 组，可见感染较重者易短期内转为重症，胸部CT 多表现为以双肺实变影为主，合并GGO 的弥漫性病变，可见多发条索及空气支气管征，病灶分布和累及肺段数量随病情进展先沿胸膜下、再向肺门方向播散进行性增多[16]，右肺上叶、中叶、下叶，左肺上叶和下叶感染体积及双肺总感染体积均高于A 组；可见年龄较长、胸部CT 感染肺叶数多、感染体积较大、占比较高者容易进展为重症。A、B 组患者均未见胸腔积液、纵隔和肺门淋巴结肿大。本研究A 组中的4 例患者无临床症状，部分患者胸部CT 可见斑片状GGO，出现这种CT 表现早于临床症状的可能原因是由于病毒定植于肺泡和呼吸性细支气管上皮[17]，而早期病例病灶以右肺下叶较常见，这可能与病毒更容易进入粗而短的右肺下叶支气管有关[18]。

COVID-19 主要需与其他病毒性肺炎如严重急性呼吸综合征（severe acute respiratory syndrome，SARS）和中东呼吸综合征（middle east respiratory syndrome，MERS）相鉴别。SARS 的主要临床表现为干咳和呼吸急促，可表现为单侧、双侧的GGO或实变影；MERS 患者病情进展较SARS 更为迅速，可发生急性呼吸窘迫综合征、多器官功能衰竭甚至死亡，可表现为双侧胸膜下片状GGO。有研究报道，SARS 患者单侧病灶发病率为54.6%[19]。另外，SARS 患者常伴有胸腔积液[20]，MERS 患者后期常出现气胸和少量胸腔积液[21]。细菌性肺炎主要表现为沿支气管分布的斑片、片状甚至大片高密度影，以实性为主，实验室检查结果显示WBC 增高，比较容易与其他肺炎相鉴别。

本研究的局限性为样本量小，特别是转为重症COVID-19 的患者较少，神经网络训练模型效果欠佳，CT 阈值区间采用湖北地区早期接触COVID-19 患者的医师的建议，采用CT 值100 HU为一个区间单位进行统计，具有一定的主观性，且图像来源于不同品牌的CT 设备，对病灶细节的观察略有影响。

综上所述，基于深度学习的AI 可快速准确地测量胸部CT 病灶，影像医师通过CT+AI 模式可更好地评估COVID-19 不同临床转归患者病灶的特点。尽早快速评估有重症转归倾向的患者有助于COVID-19 重症率的控制。

利益冲突本研究由署名作者按以下贡献声明独立开展，不涉及任何利益冲突。

作者贡献声明赵建华负责数据的收集与分析、论文的撰写；柴军、张晓琴负责诊断报告的书写；贺燕林、刘瑞负责图像的采集与处理；孙德俊负责命题的提出与设计、论文的修订。