新型冠状病毒肺炎不同临床分型的定量CT影像参数表现

王定君 陈晓荣 应明亮 黄朝晖 李鲁 王向明 曹登攀 高源统 潘江峰 舒锦尔* 马志超 刘柏韵

322100浙江省东阳市人民医院（黄朝晖）

322000浙江省义乌市中心医院（王向明）

321300浙江省永康市第一人民医院（曹登攀）

325200浙江省瑞安市人民医院（高源统）100025北京推想科技有限公司（马志超 刘柏韵）

新型冠状病毒肺炎（Corona Virus Disease 2019，COVID-19）在各国的死亡率存在巨大差异，与各国对于COVID-19的早期防控和病程管理具有重要相关性。胸部CT影像具备高效快速、可获得性高的特点，在COVID-19的早期发现和病程监测中具有重要价值，对有症状的疑似患者进行筛查的阳性率达97%，有效弥补了由RT-PCR检测引起的假阴性高的缺点［1］。CT的影像学表现还可为COVID-19的疾病进展评估提供了重要参考，包括病灶的大小，位置和密度等信息［2-3］，但多以定性的影像学表现分析为主，存在较大的主观诊断差异。而人工智能技术可实现对CT影像上可疑感染病变的快速定位和定量分析，在新冠肺炎的早期筛查、鉴别诊断、预后评估等多个方面体现出巨大的优势和潜力［4-5］。本研究拟应用人工智能技术进行病灶的自动分割，并交互式地进行结果校对，分析不同临床分型组的CT影像定量结果，比较不同组别之间的临床和影像学表现差异，为新冠肺炎的早期诊断、病程监测及严重程度评估提供快速、精准的临床工具。

1 资料与方法

1.1 一般资料 多中心回顾性分析2020年1月至2020年3月浙江省（非疫区中心）5家医院的确诊COVID-19患者（金华中心医院（16例）、义乌市中心医院（17例）、永康市第一人民医院（5例）、瑞安市人民医院（30例）以及东阳市人民医院（13例）。（1）纳入标准：①两次COVID-19核酸检测（RT-PCR方法）为阳性者；②胸部CT图像为发病以来首次检查；③分析图像为肺窗图像；④实验室检查、临床表现、临床分型等资料完整者。（2）排除标准：①非COVID-19确诊患者；② COVID-19复查患者；③胸部CT图像质量不佳，模型分割结果过小或者不符合图像分析要求；④无法对CT影像拍摄时的临床分型进行判断的患者。共纳入COVID-19患者81例，其中男47例（58.0%），女34例（42.0%）；平均年龄（43.0±16.8）岁。根据新型冠状病毒感染的肺炎诊疗方案（试行第七版），并基于COVID-19患者的临床症状和影像学表现，将其分为轻型、普通型和重型，诊断结果由1名具有十年以上胸部CT诊断经验的放射科医生和1名呼吸科临床医生共同确认。记录所有患者首次入院的临床症状（发热、咳嗽、肌肉酸痛），实验室检查指标（白细胞计数、淋巴细胞计数及中性粒细胞计数），发病至进行CT检查的时间和CT检查至PCR检测的时间间隔。

1.2 CT检查设备及层厚分布 由于多中心数据收集，入组的81例患者中，使用中国联影uCT550 4例（4.9%）、美国GE Optima CT540 21例（25.9%）、德国Siemens SOMATOM Emotion 16 43例（53.1%）及飞利浦Pilips16 Lightspeed CT 扫描仪21例（25.9%）。CT影像重建后的层厚分布为1～5 mm。所有患者均采用仰卧位，头先进，屏气方式进行扫描，扫描范围为肺尖至肺底。

1.3 CT影像定量分析 将所有脱敏后的CT影像数据导入推想科技肺炎特别版AI系统（北京推想科技有限公司，https：//www.infervision.com/）进行肺部感染区域的自动分割。该系统基于迁移学习技术和精确标记的肺炎数据训练的深度学习模型，能够自动识别并定位肺炎病灶。前期在5303张内部测试集上，此模型达到了DICE系数为0.8481的分割准确率［3，7］。然后由两名分别具有20及21年心胸疾病诊断经验的放射科医师对分割后的病灶范围进行补充修正，意见不一致时经两者协商达成一致。所有修正后的工作在InferScholar AI科研平台（北京推想科技有限公司）上完成。基于人工校正后病灶分割区域（见图1）进行以下定量参数计算：（1）受累肺叶数：包括右肺（上叶、中叶、下叶）、左肺（上叶、下叶），总数为5；（2）肺炎病灶体积占比（%），整肺及各肺叶肺段；（3）感染病灶密度分布（%）。

图1 深度学习分割模型对于人工修正后的对新冠CT图像上ROI勾画结果

1.4 统计学方法 采用SPSS 24.0 统计软件。计量资料符合正态分布以（±s）表示，采用单因素方差分析；不符合正态分布以［M（IQR）］表示，采用Kruskal-Wallis 秩和检验或Mann-Whitney检验。计数资料以［n（%）］表示，采用χ2或Fisher确切概率法。以P＜0.05 为差异有统计学意义。

2 结果

2.1 三种临床分型COVID-19患者的临床表现及实验室检查比较 临床分型，轻型29例、普通型44例和重型8例。三组患者的年龄比较，差异有统计学意义（F=4.25，P=0.018）。其中，轻型患者的平均年龄显著小于普通型（P=0.022）。轻型、普通型和重型患者出现发热（＞38℃）症状的比例比较，差异有统计学意义（P=0.038）。实验室检查，轻型和普通型的中粒细胞计数，均表现为正常或降低，而重型患者的中粒细胞计数显著升高（P=0.042）。见表1。

表1 不同临床分型COVID-19患者的临床特征

2.2 三种临床分型COVID-19患者的CT量化参数分析 通过AI分割+医生修正，81例COVID-19患者的感染肺叶计数的中位数及四分位间距为3（3）。其中，重型和普通型COVID-19患者感染肺叶的计数明显多于轻型患者（P＜0.001）。81例肺炎病灶占整肺体积的百分比的中位数及四分位间距为1.14%（2.99%）。其中，轻型COVID-19患者的肺炎病灶占比明显小于普通型和重型（P＜0.001），而普通型和重型组之间无统计学差异（P＞0.05）。三种临床分型COVID-19患者的肺炎病灶在右肺上、中、下叶以及左肺上、下叶的感染分布比较，差异均有统计学意义（P＜0.001）。81例新冠肺炎患者中，肺炎病变的最大占比表现在-370～-270 HU的CT值区间，而重型在不同的CT区间内的肺内受累占比最大。见表2。

表2 不同临床分型COVID-19患者的CT量化信息参数

3 讨论

临床表现方面，研究结果表明三组COVID-19患者的年龄差异存在统计学意义，其中轻型患者的平均年龄显著小于普通型。相较于中老年人群，这些轻型患者可能不存在较多的基础疾病，自身的免疫能力使其不容易受到病毒的侵害。三组患者发热（＞38℃）比例存在显著性差异，其中重型患者全部表现出发热症状。实验室检查指标显示，中性粒细胞计数在不同分型之间有明显差异，其中重型患者的中粒细胞计数出现升高，可能是合并了细菌感染所导致。白细胞计数和淋巴细胞计数均正常或表现为不同程度的降低，三组间无明显统计学差异。

CT影像分析，基于人工精准校正的深度学习分割肺炎病灶，发现轻型COVID-19患者的感染肺叶计数、感染病灶分布及感染病灶密度均明显小于普通型及重型患者，为患者临床分型提供科学依据。前期研究已表明，COVID-19患者呈现典型的CT影像肺炎病灶征象，包括磨玻璃密度影、肺实变、纤维化等［8］。随着病程进展，各个征象呈现不同程度的变化，并在最初病发症状后约10天达到峰值［5］。早期COVID-19患者表现双肺多发斑片状磨玻璃样密度病灶，密度较低且同质［2］，随着病情加重病灶呈现进行性增长和扩大趋势，密度增大或出现“疯狂铺路”模式。前期有研究利用半定量方法人工评估肺内受累程度，然而这种方法不够精确，且不利于进行全病程评估和管理。启动成熟的AI应用软件可以提供整个肺和每个肺叶以及代表类型病变的不同CT值的定量体积和百分比。这样的量化信息对于COVID-19胸部病变的全病程跟踪分析与病情转归预测有重要参考价值。值得一提的是，自动化AI分割模型存在假阳性高的缺点，本研究增加人工校正这一步骤，通过手动去除假阳病灶并修正分割不精准的病变区域（图1所示），提高病变分割的准确率。通过比较分析CT影像量化参数，结果发现轻、普通、重型COVID-19的感染肺叶计数、肺炎病灶占整肺及各肺叶肺段的比例、［-570，60 HU］ CT值区间肺炎病变占比均呈现递增趋势，即感染病灶密度存在明显差异，可辅助COVID-19的临床诊断及分型。

本研究存在一定局限性，由于是多中心数据收集，各中心收集的初诊患者存在基线差异，且不同设备和扫描参数影像的非标准化的影像质量在一定程度上影像模型的分割效果。经过深度学习分割模型分析的量化参数非正态分布且分布不均一，为保证统计分析显著性差异的准确性需要增加样本量。