[논문 리뷰] AI-Driven CT-based quantification, staging and short-term outcome prediction of COVID-19 pneumonia

Guillaume Chassagnon, Maria Vakalopoulou외 29명|arXiv (Cornell University)|2020. 04. 20.

COVID-19 diagnosis using AIMedicine참고 문헌 24인용 수 17

한 줄 요약

이 연구는 흉부 CT 영상에서 COVID-19 폐렴의 자동 정량화, 단계 분류 및 단기 예후 예측을 위한 AI 기반 프레임워크를 제시한다. 방사선학적 특징과 다수의 기계학습 분류기들을 통합하여 중증 예후 및 기계적 통기/사망 예측에 있어 최대 0.81의 높은 정확도를 달성하였으며, 이는 중증 관리 환경에서 임상 의사결정 지원을 위한 AI의 잠재력을 보여준다.

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.

연구 동기 및 목표

• 흉부 CT 영상에서 COVID-19 폐렴의 자동 정량화 및 단계 분류를 위한 AI 시스템을 개발하기 위해.
• 질병 중증도 및 기계적 통기 또는 사망 필요성 포함 단기 임상 예후를 예측하기 위해.
• 다양한 기계학습 분류기의 성능을 환자의 예후 그룹 간 구분 능력 평가를 위해.
• 임상 예후 예측을 위한 CT 영상에서 유의미한 방사선학적 특징을 식별하기 위해.
• 독립적인 테스트 세트와 교차 검증을 활용하여 모델의 견고성을 검증하기 위해.

제안 방법

• 프레임워크는 대조 강화 CT 영상의 폐 영역에서 12개의 방사선학적 특징을 추출한다. 이는 강도, 질감 및 형태 기반 지표를 포함한다.
• 질감 이질성을 캡처하기 위해 회색 수준 크기 영역 행렬(GLSZM)과 회색 수준 연속 길이 행렬(GLRLM)에서 특징를 유도한다.
• 다양한 분류기—선형, 다항식, RBF 기반 서포트 벡터 머신(SVM), 결정 트리, 랜덤 포레스트, AdaBoost, 나이브 베이즈 및 앙상블 모델—이 학습 및 평가된다.
• 모델 성능은 훈련 세트와 독립적 테스트 세트에서 균형 잡힌 정확도, 가중치 정밀도, 민감도 및 특이도를 사용하여 평가된다.
• 질병 중증도와 기계적 통기 또는 사망과 같은 치명적인 예후를 예측하기 위해 계층적 분류 전략이 사용된다.
• 임상 예후와 방사선학적 특징 간의 통계적 상관 분석을 수행하여 유의미한 예측 변수를 식별한다.

실험 결과

연구 질문

• RQ1 CT 영상에서 추출한 방사선학적 특징이 COVID-19 폐렴의 중증도를 신뢰성 있게 예측할 수 있는가?
• RQ2 CT 자료에서 단기 임상 예후를 예측하는 데 있어 어떤 기계학습 모델이 가장 높은 성능을 보이는가?
• RQ3 어떤 방사선학적 특징이 중증 예후 또는 사망과 가장 강한 상관관계를 보이는가?
• RQ4 앙상블 모델의 성능은 개별 분류기와 비교하여 어떻게 다른가?
• RQ5 모델은 독립적인 테스트 세트에 대해 잘 일반화되는가? 이는 임상적 견고성을 나타내는가?

주요 결과

• 앙상블 분류기는 테스트 세트에서 중증 대 비중증 예후 예측에 대해 균형 잡힌 정확도 0.81(±0.01)을 달성하였다.
• 기계적 통기 또는 사망 예측에 있어서 앙상블 모델은 균형 잡힌 정확도 0.81(±0.01), 민감도 0.88, 특이도 0.74를 기록하였다.
• RBF-SVM 분류기는 기계적 통기/사망 예측에 대해 가장 높은 훈련 정확도(0.90)를 보였지만 일반화 능력은 열악하여 테스트 정확도가 0.62에 그쳤다.
• 가장 예측력 있는 특징으로는 GLSZM 및 GLRLM 행렬에서의 부피, 최대 투과도 및 비균일도가 포함되었으며, 이들의 상관계수는 최대 -0.3971(부피 대 중증 예후)에 이르렀다.
• 가우스 나이브 베이즈 및 L-SVM 분류기는 두 예후 과제 모두에서 안정적인 성능을 보였으며, 테스트 세트에서 균형 잡힌 정확도가 0.70 이상을 기록하였다.
• 계층적 분류기 설계는 모델의 해석 가능성을 향상시키고 중증도 및 치명적인 예후의 순차적 예측을 가능하게 하였다.