[论文解读] 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 10

一句话总结

这项多机构研究基于514名COVID-19患者的去标识化胸部X光片（CXR），开发并评估了深度学习与放射组学模型，用于预测机械通气需求和死亡率。模型分别取得了0.904和0.936的AUC，且嵌入放射组学特征图的模型显著提升了深度学习的性能。

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.

研究动机与目标

• 开发计算模型，利用基线胸部X光片预测COVID-19患者的机械通气需求和死亡率。
• 比较深度学习、放射组学以及嵌入放射组学特征图的深度学习在医学图像分析中的预测性能。
• 评估将放射组学特征整合到深度学习模型中是否能提高对关键临床结局的预测准确性。
• 提供预后工具，以支持疫情暴发期间的临床决策和资源分配，特别是在资源有限的环境中。

提出的方法

• 一项两中心、回顾性的研究，分析了2020年3月至6月期间在石溪大学医学中心和纽瓦克贝斯以色列医疗中心收治的514例疑似COVID-19患者的去标识化CXR。
• 训练了一套深度学习分割流程，用于在每张CXR中生成肺区和伪影的掩膜，以提升图像质量和特征提取效果。
• 在353张确诊COVID-19患者的基线CXR上训练并评估了机器学习分类器，用于预测机械通气需求和死亡率。
• 提出了一种新颖的放射组学嵌入框架，将放射组学特征转换为具有空间结构的特征图，并输入深度学习模型。
• 使用受试者工作特征曲线下面积（AUC）评估模型性能，结合交叉验证和独立测试集。

实验结果

研究问题

• RQ1 基于基线CXR训练的深度学习模型能否准确预测住院COVID-19患者的机械通气需求？
• RQ2 从CXR中提取的放射组学特征能否提升深度学习模型对临床结局的预测性能？
• RQ3 将放射组学嵌入特征图整合到深度学习模型中，如何影响其在预测死亡率和通气需求方面的准确性？
• RQ4 放射组学与深度学习的结合是否在预测COVID-19关键结局方面优于单一方法？

主要发现

• 深度学习模型在154名患者的测试集中预测机械通气需求的AUC达到0.904。
• 预测死亡率的模型在190名患者的测试集中AUC达到0.936，表明其具有强大的区分能力。
• 引入放射组学嵌入特征图显著提升了深度学习模型在预测机械通气和死亡率方面的性能。
• 所提出的放射组学嵌入框架展示了作为混合方法的潜力，可增强医学图像分析中的深度学习性能。
• 结果表明，对基线CXR进行计算机化分析可提供有价值的预后信息，与临床数据形成互补。
• 这些模型在疫情高峰期辅助临床决策和优化资源分配方面展现出良好前景。