[논문 리뷰] Predicting Mechanical Ventilation Requirement and Mortality in COVID-19 using Radiomics and Deep Learning on Chest Radiographs: A Multi-Institutional Study

Joseph Bae, Saarthak Kapse외 5명|arXiv (Cornell University)|2020. 07. 15.

COVID-19 diagnosis using AI인용 수 10

한 줄 요약

이 다기관 연구는 514명의 코로나19 환자로부터의 익명화된 흉부 X선 촬영 영상(CXR)을 대상으로 딥러닝 및 레디오믹스 모델을 개발하고 평가하여 기계적 통기 필요성과 사망률을 예측한다. 레디오믹스 통합 특징 지도를 통해 딥러닝 성능이 향상되어 각각 AUC 0.904 및 0.936의 성과를 달성한다.

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.

연구 동기 및 목표

• 기본 흉부 레이저 영상 자료를 활용하여 코로나19 환자에서 기계적 통기 필요성과 사망률을 예측하는 계산 모델을 개발한다.
• 의료 영상 분석에서 딥러닝, 레디오믹스, 그리고 레디오믹스 통합 특징 지도를 활용한 딥러닝의 예측 성능를 비교한다.
• 딥러닝 모델에 레디오믹스 특징을 통합함으로써 중증 임상 결과 예측 정확도가 향상되는지 평가한다.
• 특히 자원이 제한된 환경에서 패닉 기간 동안 임상 의사결정 및 자원 배분을 지원할 수 있는 예후 도구를 제공한다.

제안 방법

• 2개 병원에서 실시한 후향적 연구로, 2020년 3월부터 6월까지 스토니 브룩 대학 병원 및 뉴아크 베스 일리아 메디컬 센터에서 코로나19 의심 환자 514명의 익명화된 CXR를 분석하였다.
• 딥러닝 세그멘테이션 파이프라인을 훈련시켜 각 CXR의 폐 영역 및 잡음 요소에 대한 마스크를 생성함으로써 영상 품질 향상 및 특징 추출을 향상시켰다.
• 기계적 통기 필요성과 사망률을 예측하기 위해 확진된 코로나19 환자 353명의 기본 CXR를 기반으로 기계학습 분류기 모델을 훈련 및 평가하였다.
• 새로운 레디오믹스 임bedding 프레임워크를 도입하여 레디오믹스 특징을 공간적으로 구조화된 지도로 변환하고, 이를 딥러닝 모델에 입력하였다.
• 모델 성능 평가에는 수신기 작동 특성 곡선 아래 면적(AUC)을 사용하였으며, 교차 검증 및 독립 테스트 세트를 활용하였다.

실험 결과

연구 질문

• RQ1 기본 CXR를 기반으로 훈련된 딥러닝 모델이 입원한 코로나19 환자에서 기계적 통기 필요성을 정확하게 예측할 수 있는가?
• RQ2 CXR에서 추출한 레디오믹스 특징이 딥러닝 모델의 임상 결과 예측 성능을 향상시킬 수 있는가?
• RQ3 레디오믹스 통합 특징 지도의 통합이 기계적 통기 필요성 및 사망률 예측 정확도에 어떤 영향을 미치는가?
• RQ4 레디오믹스와 딥러닝의 조합이 코로나19의 중증 결과 예측에서 개별 기법보다 우수한 성능을 보일 수 있는가?

주요 결과

• 딥러닝 모델은 154명 환자로 구성된 테스트 세트에서 기계적 통기 필요성 예측에 AUC 0.904를 달성하였다.
• 190명 환자로 구성된 테스트 세트에서 사망률 예측 모델은 AUC 0.936를 기록하여 강력한 분류 능력을 보였다.
• 레디오믹스 통합 특징 지도의 포함이 기계적 통기 필요성 및 사망률 예측에 있어 딥러닝 모델의 성능을 유의미하게 향상시켰다.
• 제안된 레디오믹스 임bedding 프레임워크는 의료 영상 분석에서 딥러닝 성능을 향상시키는 데 잠재력 있는 하이브리드 접근법으로 나타났다.
• 컴퓨터 기반의 기본 CXR 분석은 임상 데이터와 보완적인 가치 있는 예후 정보를 제공할 수 있음을 시사한다.
• 이 모델들은 패닉 기간 동안 임상 의사결정 지원 및 자원 할당 최적화에 도움이 될 잠재력을 지닌다.