ISSN 1004-4140
CN 11-3017/P

基于深度学习的CT定量指标对糖尿病合并新型冠状病毒肺部感染的影像学研究

李玲, 张明霞, 孙莹, 段淑红, 郭佳, 杜常月, 刘梦珂, 张怡梦, 孙磊, 霍萌, 王仁贵

李玲, 张明霞, 孙莹, 等. 基于深度学习的CT定量指标对糖尿病合并新型冠状病毒肺部感染的影像学研究[J]. CT理论与应用研究, 2023, 32(3): 373-379. DOI: 10.15953/j.ctta.2023.020.
引用本文: 李玲, 张明霞, 孙莹, 等. 基于深度学习的CT定量指标对糖尿病合并新型冠状病毒肺部感染的影像学研究[J]. CT理论与应用研究, 2023, 32(3): 373-379. DOI: 10.15953/j.ctta.2023.020.
shu
LI L, ZHANG M X, SUN Y, et al. Imaging Study of COVID-19 Patients with Diabetes Mellitus by Computed Tomograpgh Quantitative Indicators Based on Deep Learning[J]. CT Theory and Applications, 2023, 32(3): 373-379. DOI: 10.15953/j.ctta.2023.020. (in Chinese).
Citation: LI L, ZHANG M X, SUN Y, et al. Imaging Study of COVID-19 Patients with Diabetes Mellitus by Computed Tomograpgh Quantitative Indicators Based on Deep Learning[J]. CT Theory and Applications, 2023, 32(3): 373-379. DOI: 10.15953/j.ctta.2023.020. (in Chinese).
shu

基于深度学习的CT定量指标对糖尿病合并新型冠状病毒肺部感染的影像学研究

  • 1.

    放射科； 首都医科大学附属北京世纪坛医院

  • 2.

    感染科，北京100038 首都医科大学附属北京世纪坛医院

详细信息
    作者简介:

    李玲: 女，首都医科大学附属北京世纪坛医院住院医师，主要从事神经及呼吸系统影像诊断学，E-mail：liling.1995@qq.com

    通讯作者:

    王仁贵: 男，医学博士，首都医科大学附属北京世纪坛医院放射中心主任、主任医师、教授、博士生导师，主要从事淋巴影像学、呼吸肿瘤和肺部弥漫性疾病的影像学研究，E-mail：wangrg@bjsjth.cn

  • 中图分类号: O  242；R  814

Imaging Study of COVID-19 Patients with Diabetes Mellitus by Computed Tomograpgh Quantitative Indicators Based on Deep Learning

  • 1.

    Beijing 100038 Department of Radiology

  • 2.

    Beijing 100038 Department of Infectious Diseases, Beijing Shijitan Hospital of Capital Medical University

摘要

    摘要
  • 摘要: 目的：探讨基于深度学习的CT定量指标对糖尿病合并新型冠状病毒感染（COVID-19）患者肺部感染的影像学特征分析。资料与方法：回顾性纳入2022年12月至2023年1月首都医科大学附属北京世纪坛医院感染科收治的COVID-19患者的临床及影像学数据，根据患者的糖尿病史分为糖尿病组及非糖尿病组，通过单因素分析两组的临床及CT定量影像学特征。结果：共纳入112例COVID-19患者，年龄26～95岁，平均（70.4±14.4）岁，女性占比44.6％（50/112例）。在临床方面，糖尿病组的C反应蛋白水平明显升高。在定量指标方面，糖尿病组患者的全肺及左肺病灶数目、病灶体积、病灶占比更大，糖尿病组的纵隔淋巴结数目更多；此外，糖尿病组患者的磨玻璃病灶及实性病灶体积更大，其磨玻璃实性病灶体积比更小。在影像学征象方面，糖尿病组患者的病灶形态呈大片状、束带状比例更高，其存在晕征、空气支气管征、空气潴留征、马赛克灌注及胸膜下黑带的比例更高。结论：糖尿病合并COVID-19患者的肺部病变具有相对的特征性，基于深度学习的CT定量指标显示糖尿病组的COVID-19患者肺部受累的病变范围更大、程度更重，其实性病灶成分占比相对增加。
    Abstract: Objective: To investigate the imaging characteristics of coronavirus disease 2019 (COVID-19) patients with diabetes mellitus using deep learning-based quantitative computed tomograpgh (CT) indicators. Materials and methods: The clinical and imaging data of 112 COVID-19 patients admitted to the Department of Infection, Beijing Shijitan Hospital, Capital Medical University, from December 2022 to January 2023 were retrospectively collected. The patients were divided into diabetic and non-diabetic groups according to their diabetes history, and the clinical and quantitative CT imaging characteristics of the two groups were analyzed using univariate analysis. Results: A total of 112 patients with COVID-19, aged 26-95 years (mean, (70.4±14.4) years), were included in the study, and 44.6% (50/112 cases) were female. In terms of clinical features, C-reactive protein levels were significantly higher in the diabetic group. In terms of CT quantitative indicators, patients in the diabetic group had higher number of whole lung and left lung lesions, lesion volume, and mediastinal lymph nodes than patients in the non-diabetic group. In addition, patients in the diabetic group had a larger volume of ground glass opacity and solid opacity, and patients in the diabetic group had a smaller volume ratio of ground glass opacity and solid opacity in terms of imaging signs, patients in the diabetic group had a higher proportion of lesions with large patchy and banded patterns, and they had a higher proportion of halo signs, air bronchial signs, air trapping signs, mosaic perfusion signs, and subpleural black bands. Conclusion: Pulmonary lesions in patients with diabetes combined with COVID-19 have characteristic features, and deep learning-based quantitative CT indicators, particularly the solid opacity observed in the lungs, can provide valuable information on the extent and severity of lesions in these patients.
    • HTML全文

  • 在我国和世界其他国家,肺癌是恶性肿瘤中发病率和死亡率较高的一种[1−2]。非小细胞肺癌（non-small cell lung cancer，NSCLC）约占肺癌总患者数的80%[3]。早期肺癌可选择外科手术根治性切除，而晚期肺癌则使用综合治疗、全身治疗等手段，5年生存率仅在20%左右[4]。精准的分期对肺癌治疗方法的选择、预后评估至关重要[5]。CT是目前肺癌诊断、分期、疗效评价和随诊的主要影像学检查手段。影像组学技术可以进一步评估肿瘤的异质性，辅助评价肺癌疗效、预后生存、预测病理结果等[6−8]。目前应用肿瘤影像组学来预测肺癌分期的研究还比较少。

    因此，本研究尝试开发一种基于影像组学的机器学习分类模型，用来对肺癌分期进行预测，并探讨其预测效能。

    1.   材料与方法

    1.1   研究对象

    本研究部分数据来自癌症影像公共数据库（the cancer imaging archive，TCIA）里面NSCLC-Radiomics项目中的数据集lung 1，该数据集内容包括NSCLC患者CT影像资料以及年龄、性别、TNM分期、病理结果等重要临床信息，选用其内291例符合要求的病例资料。另一部分数据来源于本院2021年1月至2022年12月，经病理证实的91例NSCLC患者的CT影像及临床资料。

    纳入标准：①经病理证实为NSCLC，有完整胸部CT影像资料和相关临床信息；①病灶为肺内单发肿瘤，最大径≥10 mm；③整个肿瘤包含在扫描范围内。排除标准：①术前进行放射治疗及（或）化学治疗；②肺部有基础肺疾病，如慢阻肺、支扩、结核等；③存在阻塞性肺炎或阻塞性肺不张等并发症。

    本研究把肺癌患者根据分期划分为１组（Ⅰ、Ⅱ期）和２组（Ⅲ期、Ⅳ期）。使用公共数据库病例作为训练集，本院的病例作为测试集行外部验证，以保证本研究的可靠性。本研究项目已经医院伦理委员会批准，审批号为K-2023-052。所有患者临床信息见表1。

    表  1  训练集和测试集病例的基本临床信息与CT形态学特征（n，%）
    Table  1.  Basic clinical information and CT morphological features of training and testing set cases （n, %）
    参数 训练集 测试集
    1组（n=103） 2组（n=188） $t/\chi^2 $ P 1组（n=20） 2组（n=71） $t/\chi^2 $ P
    性别 　 　 0.266 0.606 　 　 0.268 0.605
    　男 71（68.932） 124（65.957） 15（75.000） 49（69.014）
    　女 32（31.068） 64（34.043） 5（25.000） 22（30.986）
    年龄/岁 72.649±8.768 66.877±9.698 4.795 ＜0.001 61.621±9.006 63.662±9.601 0.851 0.401
    病灶大小/mm 37.896±20.348 45.393±21.492 −2.889 0.004 39.036±19.868 50.345±21.325 −2.102 0.038
    病理类型 25.235 ＜0.001 　 　 5.465 0.141
    　　腺癌 16（15.534） 19（10.106） 　 1（5.000） 9（12.676） 　 　
    　　鳞癌 32（31.068） 70（37.234） 　 6（30.000） 18（25.352） 　 　
    　　大细胞癌 17（16.505） 70（37.234） 2（10.000） 21（29.577）
    　　未分类 38（36.893） 29（15.426） 11（55.000） 23（32.394）
    深分叶征 0.02 0.888 0.317 0.573
    　　无 55（53.398） 102（54.255） 11（55.000） 44（61.972）
    　　有 48（46.602） 86（45.745） 9（45.000） 27（38.028）
    胸膜凹陷征 0.353 0.552 2.887 0.089
    　　无 56（54.369） 109（57.979） 11（55.000） 53（74.648）
    　　有 47（45.631） 79（42.021） 9（45.000） 18（25.352）
    毛刺征 0.033 0.856 0.846 0.358
    　　无 52（50.485） 97（51.596） 11（55.000） 47（66.197）
    　　有 51（49.515） 91（48.404） 9（45.000） 24（33.803）
    棘状突起 0.238 0.626 1.141 0.285
    　　无 38（36.893） 64（34.043） 8（40.000） 38（53.521）
    　　有 65（63.107） 124（65.957） 12（60.000） 33（46.479）
    支气管气相 0.042 0.837 3.613 0.057
    　　无 96（93.204） 174（92.553） 18（90.000） 70（98.592）
    　　有 7（6.796） 14（7.447） 2（10.000） 1（1.408）
    空洞 0.421 0.516 1.501 0.221
    　　无 91（88.350） 161（85.638） 19（95.000） 60（84.507）
    　　有 12（11.650） 27（14.362） 1（5.000） 11（15.493）
    空泡征 0.004 0.947 3.613 0.057
    　　无 94（91.262） 172（91.489） 18（90.000） 70（98.592）
    　　有 9（8.738） 16（8.511） 2（10.000） 1（1.408）
    钙化 0.062 0.803 0.936 0.333
    　　无 93（90.291） 168（89.362） 19（95.000） 70（98.592）
    　　有 10（9.709） 20（10.638） 　 　 1（5.000） 1（1.408） 　 　
    下载: 导出CSV 
    | 显示表格

    1.2   CT检查方法

    公共数据集患者CT影像图像矩阵为512×512，层厚3 mm。本院患者的CT扫描采用机型为GE Discovery 750宝石能谱CT，矩阵为512×512，层厚1.25 mm，管电压120 kV，管电流使用自动调节技术进行控制，患者采取仰卧位，双手抱头，头先进，深吸气后屏气进行扫描。CT图像重建法都是软组织算法。

    1.3   病灶分割与特征提取

    本研究应用3D slicer医学图像处理软件（版本5.0.3，http://www.slicer.org）在CT图像上分割肿瘤病灶并提取图像特征。把CT影像数据导入3D Slicer软件，先由1名具有8年放射诊断经验的医师观察病灶横断面图像，在病灶最大横断面和其上、下各1个层面，共3个层面分别勾划病灶的边界，采用三维半自动分割辅助处理，再对勾划的感兴趣区（ROI）逐层进行人工调整，把与病灶紧邻的血管、支气管剔除在感兴趣区轮廓之外，最后请1名具有18年放射诊断经验的医师复核并修改ROI的边缘轮廓（图1）。图像预处理步骤包括像素大小归一化以及重采样等，需要先把体素归一化到1 mm×1 mm×1 mm，以减少图像采集异质性产生的影响，然后提取病灶的影像组学特征。每个肿瘤病灶提取1037个影像组学特征，其中14个形状特征、162个一阶直方图特征、861个纹理特征。

    图  1  病灶ROI的勾划以及三维重建
    Figure  1.  Delineation of lesion ROI and 3D reconstruction
    下载: 全尺寸图片 幻灯片

    1.4   CT形态学特征评估

    本研究病例CT影像资料由2名医师（放射诊断工作经验分别为8年和18年）在窗宽1400 HU，窗位−500 HU的标准肺窗横断面分别进行评估，观察以下内容：病灶最大径长度、深分叶征、胸膜凹陷征、毛刺征、棘状突起、支气管气相、空洞、空泡征、钙化等[9−11]。病灶最大径选取肿瘤横截面最大的长径测量。若对2名医师的评估结果有异议，则再以一名具有23年工作经验的放射诊断医师的评估作为最终结果。

    1.5   影像组学、CT形态学特征筛选及模型建立

    对于病灶所提取的影像组学特征，先用t检验，再用最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）算法，经过十折交叉验证，随机将整个数据集划分成10个相等的子集，进行10次迭代，每次迭代中，选择不同的子集作为验证集，剩余的9个子集合并作为训练集，计算10次迭代评估指标的平均值综合评估，筛选出具有鉴别意义的特征[12]。CT形态学特征通过单因素分析（卡方检验和t检验）的方法进行筛选。通过筛选后的特征将被用于机器学习分类模型训练。

    本研究采用5种机器学习分类器，通过五折交叉验证，随机将整个数据集划分成5个相等的子集，进行5次迭代，每次迭代中，选择不同的子集作为验证集，剩余的4个子集合并作为训练集，计算5次迭代评估指标的平均值作为模型性能的综合评估，建立CT影像组学对NSCLC患者分期的预测模型，并选出最优模型，再进行外部验证，用曲线下面积（area under curve，AUC）来评价最优模型在训练集以及测试集的预测能力。步骤如图2所示。

    图  2  模型建立、验证流程图
    Figure  2.  Model Establishment and Validation Process Diagram
    下载: 全尺寸图片 幻灯片

    1.6   统计学分析

    使用SPSS 27.0和Python软件进行统计分析。①计量资料（患者年龄和病灶大小）采用独立样本t检验进行组间比较，计数资料（包括患者性别、病理类型以及病灶CT形态学特征）采用卡方检验进行组间比较，此部分使用SPSS 27.0进行分析。②t检验和LASSO算法特征筛选使用Python软件（版本3.9.13）完成。③机器学习分类模型的建立、验证以及受试者工作特征（ROC）曲线绘制使用python软件（版本3.7）完成，这项工作得到了极智分析平台的支持（https://www.xsmartanalysis.com/）。以P＜0.05为差异有统计学意义。

    2.   结果

    2.1   临床信息和CT形态学特征的组间比较

    训练集291例患者共291个病灶，１组（Ⅰ、Ⅱ期）有103个，２组（Ⅲ期、Ⅳ期）有188个，患者年龄、肿瘤病灶的大小、病理类型在两组间差异具有统计学意义，病灶的其余指标在两组间差异没有统计学意义。测试集91例患者共91个病灶，肿瘤病灶的大小在两组间差异具有统计学意义，其余指标在两组间差异无统计学意义（表1）。

    2.2   影像组学分析

    训练集数据集包含病灶291个，用Python软件先进行t检验，再进行LASSO回归，从1037个特征里筛选出13个预测NSCLC分期最有价值的影像组学特征，最佳λ值0.0295（图3 ~ 图5）。13个特征名称、系数见表2，里面包含2个原始形状特征、9个小波纹理特征和2个高斯特征。LASSO回归函数公式：yi=wTxi+b，yi代表预测结果，xi为对应yi的每一个特征数值，w是特征权重系数，常数项b=0.6460。

    图  3  LASSO模型通过交叉验证，选取误差最小的λ值。虚线代表最佳λ取值对应的log(λ)值
    Figure  3.  LASSO model selected with the smallest cross validation error via cross validation λ Value. The dashed line represents the log (λ) value corresponding to the optimal value of λ.
    下载: 全尺寸图片 幻灯片
    图  5  LASSO筛选保留的13个特征参数
    Figure  5.  Thirteen feature parameters retained by LASSO screening
    下载: 全尺寸图片 幻灯片
    表  2  影像组学特征筛选结果
    Table  2.  Imaging omics feature screening results
    影像组学特征权重系数
    original_shape_Flatness−0.01491
    original_shape_Sphericity−0.04153
    wavelet-LLH_firstorder_Mean0.026735
    wavelet-LLH_glcm_Imc10.022442
    wavelet-LHH_glcm_ClusterShade−0.04337
    wavelet-LHH_glszm_SmallAreaLowGrayLevelEmphasis−0.01344
    wavelet-HLH_firstorder_Skewness−0.01968
    wavelet-HHL_gldm_DependenceVariance−0.00985
    wavelet-HHH_firstorder_Skewness0.003253
    wavelet-HHH_glcm_Imc2−0.05804
    wavelet-LLL_gldm_DependenceEntropy−0.03631
    log-sigma-2-0-mm-3D_firstorder_Maximum0.057039
    log-sigma-3-0-mm-3D_firstorder_Minimum0.006818
    下载: 导出CSV 
    | 显示表格
    图  4  使用十折交叉验证方法筛选特征的特征系数收敛图，每条曲线代表自变量系数随λ参数的变化
    Figure  4.  Convergence of feature coefficients for feature selection using a 10-fold cross validation method, where each curve represents the variation of independent variable coefficients with respect to λ changes in parameters
    下载: 全尺寸图片 幻灯片

    2.3   机器学习分类模型建立及验证

    将筛选出的13个影像组学特征纳入机器学习分类模型训练。本研究采用Logistic回归、随机森林、高斯朴素贝叶斯、支持向量机、AdaBoost等5种机器学习模型分类器，用重采样训练/验证机制，建立CT影像组学对肺癌分期的预测模型。用曲线下面积（area under curve，AUC）对上述5种模型在训练集和验证集的预测能力进行评价，并计算出敏感度、特异度等指标（表3和表4），ROC曲线结果见图6和图7。用不同模型进行训练和验证时，采用随机森林预测模型极表现最佳，在所有模型中，运用此模型的验证集AUC值最高，为0.740，敏感度和特异度分别为0.666和0.740，也处于较高水平。最后用测试集数据对随机森林预测模型进行外部验证，ROC曲线结果见图8，并计算出敏感度、特异度等指标（表5）。该模型在测试集AUC值为0.698，敏感度为0.873，特异度为0.500。

    表  3  5种机器学习分类模型-训练集结果
    Table  3.  5 Machine learning classification models - training set results
    分类模型 AUC(95%CI) cutoff 准确率 灵敏度 特异度 阳性预测值 阴性预测值
    logistic 0.712 (0.639-0.786) 0.654 0.668 0.643 0.722 0.805 0.534
    Random Forest 1.000 (NaN-NaN) 0.620 0.988 0.998 1.000 1.000 0.968
    GNB 0.778 (0.711-0.844) 0.692 0.738 0.741 0.744 0.836 0.616
    SVM 0.657 (0.577-0.738) 0.665 0.621 0.588 0.694 0.785 0.477
    AdaBoost 0.997 (0.994-1.000) 0.503 0.973 0.973 0.989 0.994 0.940
    注：Logistic为逻辑回归；Random Forest为随机森林；GNB为高斯朴素贝叶斯；SVM为支持向量机；AdaBoost为自适应提升算法。
    下载: 导出CSV 
    | 显示表格
    表  4  5种机器学习分类模型-内部验证集结果
    Table  4.  5 machine learning classification models - internal validation set results
    分类模型AUC(95%CI)cutoff准确率灵敏度特异度阳性预测值阴性预测值
    logistic0.697 (0.579-0.816)0.6540.6660.6840.7380.8090.513
    Random Forest0.740 (0.634-0.845)0.6200.6480.6660.7400.7790.519
    GNB0.668 (0.544-0.791)0.6920.6320.6840.6610.7740.461
    SVM0.629 (0.505-0.753)0.6650.6000.6780.6120.7520.470
    AdaBoost0.616 (0.488-0.744)0.5030.6050.6920.5670.7060.458
    下载: 导出CSV 
    | 显示表格
    图  6  训练集评估5种机器学习分类模型预测效能的ROC曲线图
    Figure  6.  ROC curve for evaluating the predictive performance of five machine learning classification models on the training set.
    下载: 全尺寸图片 幻灯片
    图  7  验证集评估5种机器学习分类模型预测效能的ROC曲线图
    Figure  7.  ROC curve for evaluating the predictive performance of five machine learning classification models on the validation set.
    下载: 全尺寸图片 幻灯片
    图  8  使用测试集数据进行外部验证，评估随机森林分类模型预测效能的ROC曲线图
    Figure  8.  ROC curve for evaluating the predictive performance of a Random Forest Classification model using test set data for external validation
    下载: 全尺寸图片 幻灯片
    表  5  随机森林预测模型的外部验证结果
    Table  5.  External validation results of the Random Forest prediction model
    组别AUC（95%CI）cutoff准确率敏感度特异度阳性预测值阴性预测值
    训练集1.000（NaN-NaN）0.6000.9911.0001.0001.0000.974
    测试集0.698（0.556-0.840）0.6000.5930.8730.5000.8700.311
    下载: 导出CSV 
    | 显示表格

    3.   讨论

    NSCLC患者治疗方式的选择主要是根据肿瘤的TNM分期。Ⅰ、Ⅱ期患者优先选择外科手术根治性切除。Ⅲ期肿瘤的异质性明显，分为不可切除和以外科为主的综合治疗。Ⅳ期患者需要全身治疗。可见肿瘤的精准分期在选择临床治疗手段方面具有重要作用[13]。目前临床上主要通过CT检查，观察病灶大小、侵犯周围组织及转移等情况来判断肺癌患者的分期[14]，但是单一检查指标在临床诊断上可能有一定局限性，已有研究[15−18]发现增加检测指标能够弥补这方面的不足，例如血清学指标CYFRA21-1、NSE、CEA等与肺癌的分期、病理等有关，联合检测这些指标有望提升肺癌预后预测价值。我们猜想，通过从CT图像提取的影像组学特征可以反映肿瘤的异质性，可能对肺癌的分期、甚至预后有一定预测价值，目前这方面的研究还是比较少的。由于Ⅰ、Ⅱ期与Ⅲ、Ⅳ期这两类患者的治疗与随访方案存在较大差异，本研究以此为节点，将数据集内患者分为两组，通过对两组患者肿瘤CT形态学特征评估，利用影像组学方法对肿瘤异质性进行深入分析，拟开发一个稳定可靠的多中心病例数据的机器学习分类预测模型，并探讨此模型对NSCLC患者分期的预测价值。

    本研究病例的CT形态学特征里面，除了病灶大小之外，其它特征在不同分期患者的差异无统计学意义，可能是由于肺癌CT形态学特征与肿瘤病理基础密切相关，用于鉴别肺癌与其它肺内病变，但是随着肿瘤分期的进展，肺癌除大小变化外，其它形态特征变化差异不大。同时，本组病例中，包含一部分中央型肺癌患者，可能对CT形态学特征的判读有一定影响。

    CT影像组学不同于肿瘤的CT形态学特征，它通过计算机提取、分析CT影像的形状、纹理等高维特征信息，可更深入地研究病灶，间接反映其异质性，采用相应算法建立预测模型，可达到疾病诊断分级、基因表达评估、预后定量分析的目的[19−21]。本研究在特征筛选后，得到13个具有较高诊断价值的影像组学特征用于后续建立NSCLC患者分期预测模型。其中权重系数最大的是灰度共生矩阵中的信息相关度wavelet-HHH_glcm_Imc2，其次是一阶统计特征最大灰度值log-sigma-2-0-mm-3D_firstorder_Maximum。灰度共生矩阵是体素对的呈现，是强度和形状的组合，信息相关度包含熵的概念，在系数计算相关度中包含分布的丰富值来衡量画面纹理的粗糙程度，也就是利用体素对熵的计算来量化纹理的复杂程度。熵是异质性的度量，可以通过测量体素区域的熵来反映影像区域的丰富程度和肿瘤的异质性[22−23]。通常预后比较差的肿瘤内部的异质性较明显，其CT影像图像体素的分布更丰富、纹理更复杂。最大灰度值通过计算肿瘤病灶区域影像的灰度值获得，它与肿瘤内灰度强度的分布状况有关，能反映出肿瘤内部的异质性[24−25]。

    目前尚未有学者开发类似的影像组学模型用于预测NSCLC的分期。本研究选取公共数据库中的291例患者数据，采用Logistic回归、随机森林、高斯朴素贝叶斯、支持向量机、AdaBoost等5种机器学习分类器训练并选出最优模型，为确保模型的可重复性与稳定性，将本院的91例肺癌患者数据作为测试集进行外部验证该模型的预测效能。在5种模型中，使用随机森林模型的验证集准确率和AUC值均为最高，是本研究的最优模型。随机森林模型以决策树作为元分类器，引入了随机性以增加模型的多样性，能够有效地处理高维数据，同时不受共线性影响，在数据分析中具备临床应用价值[26]。该预测模型在训练集的AUC为1.000，表示模型具有很好的区分能力；在验证集的AUC为0.740，在测试集的AUC为0.698，提示该模型具有一定的区分能力，但还有改进的空间；可能是由于病例数据的不平衡，也可能是模型本身的局限性，在训练集中拟合度较高，在未知的数据上性能下降。我们将继续增加病例数，规范扫描方案，不断优化特征选择技术、调整模型参数，以提高模型的预测能力。

    本研究的不足之处：①所使用的病例较少，用于模型训练的病例CT扫描层厚较厚，可能会导致数据不平衡，对机器学习分类模型结果有一定影响。②研究数据信息量有限，仅包含CT图像、基本临床信息、病理类型等，缺少其它相关信息，如肿瘤分化程度、血清肿瘤标志物等。③本研究数据包含部分中央型肺癌病例，可能影响CT形态学特征的判读。在后续的工作中，我们还需要收集更多病例，并对分期进行细分，建立CT影像组学预测NSCLC分期的多分类模型，深入验证本研究的结论。

    4.   结论

    综上所述，本研究通过提取和筛选肿瘤的影像组学特征，开发并验证了一种基于影像组学特征预测NSCLC患者分期的机器学习分类模型，稳定性较好，有一定预测能力，在临床分期诊断上可提供一定证据支持，有望给临床医生选择治疗策略时增强信心。

  • 图  1   糖尿病合并COVID-19患者的胸部CT病灶征象

    患者，男，82岁，发热、咳嗽、咳痰3日就诊，既往合并糖尿病病史，就诊时C反应蛋白为82.61 mg/L、淋巴细胞百分比10.30％、中性粒细胞百分比为85.10％。（a）～（c）显示了基于深度学习的CT定量软件对病灶的划分；（d）～（f）显示了患者胸部CT病灶呈斑片状、大片状、束带状分布，可见马赛克灌注（（d）星号）、铺路石征（（d）箭头）、胸膜下黑带（（e）箭头）及胸膜凹陷征（（f）箭头）。

    Figure  1.   Chest CT lesion signs in COVID-19 patients with diabetes mellitus

    下载: 全尺寸图片 幻灯片

    表  1   糖尿病合并COVID-19患者的临床资料

    Table  1   Clinical information of COVID-19 patients with diabetes mellitus

    临床指标组别统计检验
    糖尿病组（39例）非糖尿病组（73例）$Z/\chi ^2 $P
    　　年龄/岁（$M(Q_1,Q_3)$） 73.0（66.0，84.0） 70.0（62.0，79.5）-1.6070.108
    　　性别（男，例（％））25（64.1） 37（50.7） 1.8520.174
    　　发病时间/天（$M(Q_1,Q_3)$） 7（5.0，10.0） 7（5.5，10.0）-1.1220.262
    　　临床症状/例（％）
    　　　　发热39（100.0） 73（100.0） －－
    　　　　喘憋8（20.5） 14（19.2） 0.0290.865
    　　　　咳嗽36（92.3） 67（91.8） －1.000
    　　　　咳痰20（51.3） 37（50.7） 0.0040.952
    　　　　咽痛16（41.0） 30（41.1） <0.001 0.994
    　　　　流涕11（28.2） 26（35.6） 0.6310.427
    　　　　肌痛4（10.3） 4（5.5） －0.446
    　　实验室指标/（指标值$（M(Q_1,Q_3)$）
    　　　　C反应蛋白/（mg/L） 35.2（14.2，76.9）19.9（5.6，44.5）-2.5190.012
    　　　　白细胞/（×109/L）6.4（4.5，7.8）6.4（5.0，8.0）-0.6840.494
    　　　　淋巴细胞百分比/％ 21.0（13.3，26.4） 22.8（16.3，32.1）-1.3740.169
    　　　　单核细胞百分比/％6.3（5.1，9.4）7.0（5.7，9.0）-0.7850.432
    　　　　中性粒细胞百分比/％ 70.1（64.3，81.5） 66.4（58.2，75.5）-1.8170.069
    　　　　淋巴细胞/（×109/L）1.3（0.8，1.9）1.4（1.1，1.9）-1.6550.098
    　　　　单核细胞/（×109/L）0.4（0.3，0.6）0.5（0.4，0.6）-1.7050.088
    　　　　中性粒细胞/（×109/L）4.2（3.2，6.0）4.1（3.1，5.8）-0.0370.971
    下载: 导出CSV

    表  2   糖尿病合并COVID-19患者的CT影像定量指标情况

    Table  2   Quantitative CT imaging indicators in COVID-19 patients with diabetes mellitus

    病变分布组别统计检验
    糖尿病组（39例）非糖尿病组（73例）$Z/\chi^2 $P
    病灶数目/（个，$M(Q_1,Q_3)$）　　　　　全肺 8.0（5.0，12.0）6.0（3.0，9.0）-2.2690.023
    　　　　　左肺4.0（2.0，6.0）2.0（2.0，4.0）-2.3730.018
    　　　　　右肺3.0（3.0，7.0）3.0（2.0，5.0）-1.5690.117
    病灶体积/（cm3，$M(Q_1,Q_3)$）　　　　　全肺 317.3（69.9，666.4） 152.3（26.3，378.6）-2.6480.008
    　　　　　左肺 133.0（24.2，320.6） 36.0（5.9，130.3）-3.3870.001
    　　　　　右肺 134.2（31.8，397.6） 97.8（11.0，242.5）-1.7930.073
    病灶占比/（％，$M(Q_1,Q_3)$）　　　　　全肺 9.3（1.7，19.0）4.1（0.6，9.5）-2.6020.009
    　　　　　左肺10.3（1.4，17.3）2.1（0.4，6.7）-3.2320.001
    　　　　　右肺 7.2（1.2，25.2） 3.8（0.6，10.3）-1.8620.063
    磨玻璃病灶体积/（cm3，$M(Q_1,Q_3)$） 254.7（62.9，487.5） 125.3（23.3，311.7）-2.4830.013
    实性病灶体积/（cm3， $M(Q_1,Q_3)$） 52.9（6.7，172.2）18.1（2.2，53.9）-3.0200.003
    磨玻璃病灶占比/（％， $M(Q_1,Q_3)$） 82.6（73.1，91.5） 85.8（79.9，93.7）-2.1800.029
    实性病灶占比/（％， $M(Q_1,Q_3)$）17.4（8.5，26.9）14.2（6.3，20.1）-2.1770.029
    磨玻璃实性病灶体积比/（％，$M(Q_1,Q_3)$） 4.8（2.7，10.8） 6.0（4.0，15.0）-2.1710.030
    纵隔淋巴结/（个，$M(Q_1,Q_3)$）2.0（1.0，3.0）1.0（0，2.0） -3.848<0.001
    下载: 导出CSV

    表  3   糖尿病合并COVID-19患者的胸部CT病灶征象情况

    Table  3   Chest CT lesion signs in COVID-19 patients with diabetes mellitus

    影像指标组别统计检验
    糖尿病组（39例）非糖尿病组（73例）$\chi^2 $P
    分布模式/（例（％））支气管血管束分布0（0.0）2（2.7）2.6050.107
    胸膜下分布　　　3（7.7）14（19.2）－0.542
    混合分布　　　　36（92.3）57（78.1）4.0620.044
    病变形态/（例（％））结节状　　　　　26（66.7）49（68.1）0.0220.881
    斑片状　　　　　37（94.9）70（95.9）－1.000
    大片状　　　　　29（74.4）38（52.1）5.2610.022
    束带状　　　　　22（56.4）23（31.5）6.5590.010
    特殊征象/（例（％））晕征　　　　　　37（94.9）54（74.0）7.2880.007
    反晕征　　　　　18（46.2）30（41.1）0.2660.606
    蜂窝征　　　　　2（5.1）4（5.5）－1.000
    铺路石征　　　　24（61.5）35（47.9）1.8840.170
    空气支气管征　　34（87.2）49（67.1）5.3290.021
    空气潴留征　　　18（46.2）19（26.0）4.6550.031
    马赛克灌注　　　28（71.8）28（38.4）11.369 0.001
    胸膜下线　　　　15（38.5）23（31.5）0.5480.459
    胸膜凹陷征　　　26（66.7）44（60.3）0.4430.506
    胸膜下黑带　　　30（76.9）35（47.9）8.7650.003
    下载: 导出CSV
    • 参考文献(19)
  • [1]

    BAI Y, YAO L, WEI T, et al. Presumed asymptomatic carrier transmission of COVID-19[J]. Journal of the American Medical Association, 2020, 323(14): 1406−1407. doi: 10.1001/jama.2020.2565
    [2]

    GUAN W J, NI Z Y, HU Y, et al. Clinical characteristics of coronavirus disease 2019 in China[J]. New England Journal of Medicine, 2020, 382(18): 1708−1720. doi: 10.1056/NEJMoa2002032
    [3]

    CHEN Y, GONG X, WANG L, et al. Effects of hypertension, diabetes and coronary heart disease on COVID-19 diseases severity: A systematic review and meta-analysis[J]. Cold Spring Harbor Laboratory Press, 2020.
    [4]

    WU C, CHEN X, CAI Y, et al. Risk factors associated with acute respiratory distress syndrome and death in patients with coronavirus disease 2019 pneumonia in Wuhan, China[J]. JAMA Internal Medicine, 2020, 180(7): 2020, 180(7): 934-943.
    [5]

    RANGANKAR V, KOGANTI D V, LAMGHARE P, et al. Correlation between CT severity scoring and diabetes mellitus in patients with COVID-19 infection[J]. Cureus, 2021, 13(12): e20199.
    [6] 杜丹, 谢元亮, 李惠, 等. 人工智能定量测量对新型冠状病毒肺炎患者胸部CT炎性病灶动态变化的评估价值[J]. 中华放射学杂志, 2021,55(3): 250−256. doi: 10.3760/cma.j.cn112149-20200330-00474

    DU D, XIE Y L, LI H, et al. The value of quantitative artificial intelligence measurement in evaluation of CT dynamic changes for COVID-19[J]. Chinese Journal of Radiology, 2021, 55(3): 250−256. (in Chinese). doi: 10.3760/cma.j.cn112149-20200330-00474
    [7] 朱桐, 黄璐, 严祥虎, 等. 基于机器学习的CT定量指标与新型冠状病毒肺炎临床分型及肺损伤严重程度的相关性研究[J]. 中华放射学杂志, 2021, 55(3): 239-244.

    ZHU T, HUANG L, YAN X H, et al. Correlation study between quantitative characteristics of CT lung opacification based on machine learning and clinical subtypes and severity of lung injury of COVID-19[J]. Chinese Journal of Radiology, 2021, 55(3): 239-244. (in Chinese).
    [8] 中华人民共和国国家卫生健康委员会. 新型冠状病毒感染诊疗方案(试行第十版)[J]. 中华临床感染病杂志, 2023,16(1): 1−9. doi: 10.3760/cma.j.issn.1674-2397.2023.01.001
    [9] 中华医学会糖尿病学分会, 国家基层糖尿病防治管理办公室. 国家基层糖尿病防治管理指南(2022)[J]. 中华内科杂志, 2022,61(3): 249−262. doi: 10.3760/cma.j.cn112138-20220120-000063
    [10] 孙莹, 李玲, 刘晓燕, 等. 早期新型冠状病毒肺炎的胸部薄层平扫CT表现特征[J]. CT理论与应用研究, 2023,32(1): 131−138. DOI: 10.15953/j.ctta.2023.006.

    SUN Y, LI L, LIU X Y, et al. Imaging features of early COVID-19 on chest thin-slice non-enhanced CT[J]. CT Theory and Applications, 2023, 32(1): 131−138. DOI: 10.15953/j.ctta.2023.006. (in Chinese).
    [11]

    DEBI H, ITU Z T, AMIN M T, et al. Association of serum C-reactive protein (CRP) and D-dimer concentration on the severity of COVID-19 cases with or without diabetes: A systematic review and meta-analysis[J]. Expert Review of Endocrinology & Metabolism, 2022, 17(1): 83−93.
    [12]

    CAUSSY C, PATTOU F, WALLET F, et al. Prevalence of obesity among adult inpatients with COVID-19 in France[J]. Lancet Diabetes Endocrinol, 2020, 8(7): 562−564. doi: 10.1016/S2213-8587(20)30160-1
    [13]

    WANG G, WU C, ZHANG Q, et al. C-reactive protein level may predict the risk of COVID-19 aggravation[J]. Open Forum Infectious Diseases, 2020, 7(5): ofaa153. DOI: 10.1093/ofid/ofaa153.
    [14] 孙明谨, 李雪锋, 陈世清, 等. 2型糖尿病血清C反应蛋白及血白细胞变化[J]. 中国医师杂志, 2005,7(11): 2.

    SUN M J, LI X F, CHEN S Q, et al. Changes of serum C-reactive protein and white blood cells in type 2 diabetes mellitus[J]. Journal of Chinese Physician, 2005, 7(11): 2. (in Chinese).
    [15]

    ERENER S. Diabetes, infection risk and COVID-19[J]. Molecular Metabolism, 2020, 39: 101044. doi: 10.1016/j.molmet.2020.101044
    [16] 相萍萍, 韦晓, 刘超. 新型冠状病毒肺炎与糖尿病: 我们何去何从?[J]. 国际内分泌代谢杂志, 2022,(1): 50−53. doi: 10.3760/cma.j.cn121383-20201116-11033

    XIANG P P, WEI X, LIU C. New coronavirus pneumonia and diabetes: Where shall we go?[J]. International Journal of Endocrinology and Metabolism, 2022, (1): 50−53. (in Chinese). doi: 10.3760/cma.j.cn121383-20201116-11033
    [17]

    BERNHEIM A, MEI X, HUANG M, et al. Chest CT findings in coronavirus disease-19 (COVID-19): Relationship to duration of infection[J]. Radiology, 2020, 295(3): 200463. doi: 10.1148/radiol.2020200463
    [18]

    KOH H, MOH A, YEOH E, et al. Diabetes predicts severity of COVID-19 infection in a retrospective cohort: A mediatory role of the inflammatory biomarker C-reactive protein[J]. Journal of Medical Virology, 2021, 93(5): 3023−3032. doi: 10.1002/jmv.26837
    [19] 王菁, 纪小奇, 姚莉. 2型糖尿病合并感染发生MODS的危险因素分析[J]. 中华内分泌外科杂志, 2019,13(3): 5. doi: 10.3760/cma.j.issn.1674-6090.2019.03.003

    WANG J, JI X Q, YAO L. Analysis of risk factors for multiple organ dysfunction syndrome in patients with type 2 diabetes mellitus complicated with infection[J]. Chinese Journal of Endocrine Surgery, 2019, 13(3): 5. (in Chinese). doi: 10.3760/cma.j.issn.1674-6090.2019.03.003
    • 相关文章
    • 施引文献
    • 资源附件(0)
图(1)  /  表(3)
计量
  • 文章访问数:  182
  • HTML全文浏览量:  63
  • PDF下载量:  13
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-02-12
  • 修回日期:  2023-02-27
  • 录用日期:  2023-02-28
  • 网络出版日期:  2023-04-22
  • 发布日期:  2023-05-30

目录

摘要
HTML全文

  • 1.   材料与方法

  • 1.1   研究对象

  • 1.2   CT检查方法

  • 1.3   病灶分割与特征提取

  • 1.4   CT形态学特征评估

  • 1.5   影像组学、CT形态学特征筛选及模型建立

  • 1.6   统计学分析

  • 2.   结果

  • 2.1   临床信息和CT形态学特征的组间比较

  • 2.2   影像组学分析

  • 2.3   机器学习分类模型建立及验证

  • 3.   讨论

  • 4.   结论

参考文献(19)
相关文章
施引文献
资源附件(0)

/

返回文章
返回

网站版权所有 © 《CT理论与应用研究（中英文）》编辑部

通讯地址：北京市海淀区民族大学南路5号（100081）

E-mail：cttacn@cea-igp.ac.cn

电话：010-68729234

京ICP备08002722号-11

E-mail
RSS

本系统由 北京仁和汇智信息技术有限公司 设计开发  百度统计

x 关闭 永久关闭