[論文レビュー] AI-Driven CT-based quantification, staging and short-term outcome prediction of COVID-19 pneumonia

Guillaume Chassagnon, Maria Vakalopoulou+29 more|arXiv (Cornell University)|Apr 20, 2020

COVID-19 diagnosis using AIMedicine参考文献 24被引用数 17

ひとこと要約

本研究では、胸部CTスキャンを用いてCOVID-19肺炎の自動的定量、ステージング、および短期的予後予測を実現するAI駆動フレームワークを提示する。放射線学的特徴量と複数の機械学習分類器を統合し、重篤な予後や気管挿管／死亡の予測において最高で0.81の高い正確性を達成した。これは、AIが救命医療現場における臨床意思決定を支援する可能性を示している。

ABSTRACT

Chest computed tomography (CT) is widely used for the management of Coronavirus disease 2019 (COVID-19) pneumonia because of its availability and rapidity. The standard of reference for confirming COVID-19 relies on microbiological tests but these tests might not be available in an emergency setting and their results are not immediately available, contrary to CT. In addition to its role for early diagnosis, CT has a prognostic role by allowing visually evaluating the extent of COVID-19 lung abnormalities. The objective of this study is to address prediction of short-term outcomes, especially need for mechanical ventilation. In this multi-centric study, we propose an end-to-end artificial intelligence solution for automatic quantification and prognosis assessment by combining automatic CT delineation of lung disease meeting performance of experts and data-driven identification of biomarkers for its prognosis. AI-driven combination of variables with CT-based biomarkers offers perspectives for optimal patient management given the shortage of intensive care beds and ventilators.

研究の動機と目的

• 胸部CTスキャンからのCOVID-19肺炎の自動的定量およびステージングのためのAIシステムの開発。
• 気管挿管または死亡を含む短期的臨床予後、特に疾患の重症度の予測。
• 複数の機械学習分類器が患者の予後グループを区別する性能の評価。
• 臨床的予後予測に最も予測価値の高い放射線学的特徴量の同定。
• 独立したテストセットおよび交差検証を用いたモデルの堅牢性の検証。

提案手法

• フレームワークは、造影CTスキャンの肺領域から12の放射線学的特徴量を抽出する。これには強度、テクスチャ、形状に基づく指標が含まれる。
• テクスチャの不均一性を捉えるために、グレイレベルサイズゾーン行列（GLSZM）およびグレイレベルラングスレングス行列（GLRLM）から特徴量が抽出される。
• 複数の分類器—SVM（線形、多項式、RBF）、決定木、ランダムフォレスト、AdaBoost、ナイーブベイズ、およびアンサンブルモデル—が訓練および評価される。
• モデルの性能は、訓練セットおよび独立したテストセットにおいて、バランス精度、加重適合率、感度、特異度を用いて評価される。
• 疾患の重症度と深刻な予後（気管挿管または死亡）の両方を予測するために、階層的分類戦略が採用される。
• 臨床的予後と放射線学的特徴量の間で統計的相関分析が実施され、有意な予測要因の同定が行われる。

実験結果

リサーチクエスチョン

• RQ1 CTスキャンから抽出された放射線学的特徴量は、COVID-19肺炎の重症度を信頼性を持って予測できるか？
• RQ2 CTデータからの短期的臨床予後予測において、どの機械学習モデルが最高の性能を示すか？
• RQ3 どの放射線学的特徴量が重篤な予後または死亡と最も強い相関を示すか？
• RQ4 アンサンブルモデルの性能は、個々の分類器と比較してどうか？
• RQ5 モデルは独立したテストセットに十分に一般化できるか。これは臨床的堅牢性を示唆するか？

主な発見

• アンサンブル分類器は、テストセットにおいて重篤対非重篤予後を予測する際、バランス精度が0.81（±0.01）を達成した。
• 気管挿管または死亡の予測では、アンサンブルモデルがバランス精度0.81（±0.01）、感度0.88、特異度0.74に達した。
• RBF-SVM分類器は、気管挿管／死亡予測において最高の訓練精度（0.90）を示したが、一般化性能は低く（テスト精度0.62）、不良であった。
• 予測価値の高い特徴量には、体積、最大減衰、およびGLSZMおよびGLRLM行列における非一様性が含まれ、相関係数は最大-0.3971（体積対重篤予後）に達した。
• ガウス・ナイーブベイズおよびL-SVM分類器は、両方の予後タスクにおいて安定した性能を示し、テストセットでのバランス精度が0.70を超えた。
• 階層的分類器設計により、モデルの解釈性が向上し、重症度および深刻な予後の順次的予測が可能になった。