[論文レビュー] Predicting Mechanical Ventilation Requirement and Mortality in COVID-19 using Radiomics and Deep Learning on Chest Radiographs: A Multi-Institutional Study

Joseph Bae, Saarthak Kapse+5 more|arXiv (Cornell University)|Jul 15, 2020

COVID-19 diagnosis using AI被引用数 10

ひとこと要約

本多施設共同研究では、514例の非特定化胸部レントゲン画像（CXR）を用いて、機械的換気要請および死亡率を予測する深層学習およびラジオミクスモデルを開発・評価した。ラジオミクス埋め込み特徴マップを組み込むことで、深層学習性能が向上し、それぞれAUCは0.904および0.936を達成した。

ABSTRACT

Objectives: To predict mechanical ventilation requirement and mortality using computational modeling of chest radiographs (CXR) for coronavirus disease 2019 (COVID-19) patients. We also investigate the relative advantages of deep learning (DL), radiomics, and DL of radiomic-embedded feature maps in predicting these outcomes. Methods: This two-center, retrospective study analyzed deidentified CXRs taken from 514 patients suspected of COVID-19 infection on presentation at Stony Brook University Hospital (SBUH) and Newark Beth Israel Medical Center (NBIMC) between the months of March and June 2020. A DL segmentation pipeline was developed to generate masks for both lung fields and artifacts for each CXR. Machine learning classifiers to predict mechanical ventilation requirement and mortality were trained and evaluated on 353 baseline CXRs taken from COVID-19 positive patients. A novel radiomic embedding framework is also explored for outcome prediction. Results: Classification models for mechanical ventilation requirement (test N=154) and mortality (test N=190) had AUCs of up to 0.904 and 0.936, respectively. We also found that the inclusion of radiomic-embedded maps improved DL model predictions of clinical outcomes. Conclusions: We demonstrate the potential for computerized analysis of baseline CXR in predicting disease outcomes in COVID-19 patients. Our results also suggest that radiomic embedding improves DL models in medical image analysis, a technique that might be explored further in other pathologies. The models proposed in this study and the prognostic information they provide, complementary to other clinical data, might be used to aid physician decision making and resource allocation during the COVID-19 pandemic.

研究の動機と目的

• ベースライン胸部レントゲン画像を用いて、COVID-19患者の機械的換気要請および死亡率を予測する計算モデルを開発すること。
• 医療画像解析における深層学習、ラジオミクス、およびラジオミクス埋め込み特徴マップを統合した深層学習の予測性能を比較すること。
• ラジオミクス特徴を深層学習モデルに統合することで、重篤な臨床的アウトカムの予測精度が向上するかどうかを評価すること。
• パンデミック期、特にリソースが限られた環境において、臨床意思決定およびリソース配分を支援する予後ツールを提供すること。

提案手法

• 2施設の後向き研究として、2020年3月から6月にかけてスティーブン・バレー大学病院およびニューアーク・ベス・イザラエル・メディカル・センターで、COVID-19の疑いがある患者の非特定化CXRを514例分析した。
• 各CXRにおける肺領域およびアーティファクトのマスクを生成するための深層学習セグメンテーションパイプラインを訓練し、画像品質および特徴抽出を向上させた。
• 確認されたCOVID-19患者の353例分のベースラインCXRを用いて、機械的換気要請および死亡率を予測するための機械学習分類器を訓練および評価した。
• ラジオミクス特徴を空間的に構造化されたマップに変換する新しいラジオミクス埋め込みフレームワークを導入した。
• モデル性能は、受信者操作特性曲線の下側面積（AUC）を用いて評価し、交差検証および独立したテストセットを用いた。

実験結果

リサーチクエスチョン

• RQ1 ベースラインCXRを用いて訓練された深層学習モデルは、入院中のCOVID-19患者の機械的換気要請を正確に予測できるか？
• RQ2 CXRから抽出されたラジオミクス特徴は、臨床的アウトカムの予測性能を向上させることができるか？
• RQ3 ラジオミクス埋め込み特徴マップの統合は、死亡率および換気要請の予測における深層学習モデルの精度にどのように影響するか？
• RQ4 ラジオミクスと深層学習の組み合わせは、COVID-19の重篤なアウトカムを予測する際に、単独のアプローチを上回る性能を示すか？

主な発見

• 深層学習モデルは、154例のテストセットにおいて、機械的換気要請予測でAUC 0.904を達成した。
• 死亡率予測モデルは、190例のテストセットにおいてAUC 0.936を達成し、強力な識別能力を示した。
• ラジオミクス埋め込み特徴マップの組み込みにより、深層学習モデルの機械的換気および死亡率予測性能が顕著に向上した。
• 提案されたラジオミクス埋め込みフレームワークは、医療画像解析における深層学習を強化するハイブリッド手法としての可能性を示した。
• 結果から、ベースラインCXRのコンピュータ支援解析が、臨床データと併せて価値ある予後情報を提供できることを示唆している。
• これらのモデルは、パンデミック期のピーク時に臨床意思決定支援およびリソース配分最適化に役立つ可能性を示している。