[논문 리뷰] Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images

Zhenyu Tang, Wei Zhao외 5명|arXiv (Cornell University)|2020. 03. 26.

COVID-19 diagnosis using AI참고 문헌 19인용 수 149

한 줄 요약

논문은 흉부 CT 정량 특성으로 COVID-19의 중증도(비중증 vs 중증)를 자동으로 분류하는 랜덤 포레스트 모델을 개발했으며, 176명의 환자에 대해 3-폴드 교차 검증에서 강한 AUC와 정확도를 달성했다.

ABSTRACT

Background: Chest computed tomography (CT) is recognized as an important tool for COVID-19 severity assessment. As the number of affected patients increase rapidly, manual severity assessment becomes a labor-intensive task, and may lead to delayed treatment. Purpose: Using machine learning method to realize automatic severity assessment (non-severe or severe) of COVID-19 based on chest CT images, and to explore the severity-related features from the resulting assessment model. Materials and Method: Chest CT images of 176 patients (age 45.3$\pm$16.5 years, 96 male and 80 female) with confirmed COVID-19 are used, from which 63 quantitative features, e.g., the infection volume/ratio of the whole lung and the volume of ground-glass opacity (GGO) regions, are calculated. A random forest (RF) model is trained to assess the severity (non-severe or severe) based on quantitative features. Importance of each quantitative feature, which reflects the correlation to the severity of COVID-19, is calculated from the RF model. Results: Using three-fold cross validation, the RF model shows promising results, i.e., 0.933 of true positive rate, 0.745 of true negative rate, 0.875 of accuracy, and 0.91 of area under receiver operating characteristic curve (AUC). The resulting importance of quantitative features shows that the volume and its ratio (with respect to the whole lung volume) of ground glass opacity (GGO) regions are highly related to the severity of COVID-19, and the quantitative features calculated from the right lung are more related to the severity assessment than those of the left lung. Conclusion: The RF based model can achieve automatic severity assessment (non-severe or severe) of COVID-19 infection, and the performance is promising. Several quantitative features, which have the potential to reflect the severity of COVID-19, were revealed.

연구 동기 및 목표

• COVID-19 환자에 대한 시기적 치료를 돕기 위한 신속하고 자동화된 중증도 평가의 동기를 부여한다.
• 질병 중증도를 반영하는 정량적 CT 유래 특징을 조사한다.
• 영상 특징을 기반으로 비중증과 중증 케이스를 구분하기 위한 머신러닝 모델을 구축하고 평가한다.

제안 방법

• 전 전체 폐 감염 부피와 GGO 메트릭을 포함한 63개의 정량적 CT 특징을 추출한다.
• 비중증 대 중증을 예측하기 위한 랜덤 포레스트 분류기를 학습한다.
• RF 모델에서 특징 중요도를 계산하여 중증도 관련 특징을 밝힌다.
• 3-fold 교차 검증으로 성능 지표를 보고 평가한다.

실험 결과

연구 질문

• RQ1 정량 CT 유래 특징이 비중증과 중증 COVID-19를 구분할 수 있는가?
• RQ2 어떤 CT 특징들(및 폐 측의 기여)이 중증도에 가장 예측력이 있는가?
• RQ3 제공된 데이터세트에서 랜덤 포레스트 모델은 자동 중증도 평가에서 얼마나 잘 수행하는가?

주요 결과

• RF 모델은 0.933 재현율(TPR)을 달성한다.
• RF 모델은 0.745 특이도(TNR)를 달성한다.
• RF 모델은 0.875의 전체 정확도를 달성한다.
• RF 모델은 0.91 ROC 곡선 아래 면적(AUC)을 달성한다.
• GGO 영역의 부피 및 부피 비율이 중증도와 강하게 관련된다.
• 오른쪽 폐의 특징이 왼쪽 폐의 특징보다 중증도와의 관련이 더 강하다.