[论文解读] Triaging moderate COVID-19 and other viral pneumonias from routine blood tests

Forrest Sheng Bao, Youbiao He+10 more|arXiv (Cornell University)|May 13, 2020

COVID-19 diagnosis using AI参考文献 23被引用 19

一句话总结

本研究提出一种机器学习方法，利用常规血液检查对中度COVID-19与非COVID-19病毒性肺炎进行分诊，基于208例COVID-19患者和86例非COVID-19患者的数据，采用随机森林和支撑向量机（SVMs）进行建模，SVM分类器达到84%的准确率、88%的敏感性、80%的特异性和92%的精确率。

ABSTRACT

The COVID-19 is sweeping the world with deadly consequences. Its contagious nature and clinical similarity to other pneumonias make separating subjects contracted with COVID-19 and non-COVID-19 viral pneumonia a priority and a challenge. However, COVID-19 testing has been greatly limited by the availability and cost of existing methods, even in developed countries like the US. Intrigued by the wide availability of routine blood tests, we propose to leverage them for COVID-19 testing using the power of machine learning. Two proven-robust machine learning model families, random forests (RFs) and support vector machines (SVMs), are employed to tackle the challenge. Trained on blood data from 208 moderate COVID-19 subjects and 86 subjects with non-COVID-19 moderate viral pneumonia, the best result is obtained in an SVM-based classifier with an accuracy of 84%, a sensitivity of 88%, a specificity of 80%, and a precision of 92%. The results are found explainable from both machine learning and medical perspectives. A privacy-protected web portal is set up to help medical personnel in their practice and the trained models are released for developers to further build other applications. We hope our results can help the world fight this pandemic and welcome clinical verification of our approach on larger populations.

研究动机与目标

• 解决中度COVID-19与其它病毒性肺炎临床表现相似且检测资源有限所带来的鉴别难题。
• 通过利用常规收集的血液检查数据，克服广泛SARS-CoV-2检测的限制。
• 开发一种机器学习模型，利用可及的临床数据实现中度肺炎病例的早期、低成本分诊。
• 通过隐私保护的网络门户和开源模型，确保模型的可解释性与实际部署可行性。
• 在检测能力受限的疫情高峰期，为医疗人员提供临床决策支持。

提出的方法

• 将208例中度COVID-19和86例非COVID-19病毒性肺炎患者的常规血液检查数据作为输入特征。
• 应用两种稳健的机器学习族——随机森林（RFs）和支撑向量机（SVMs）——进行分类。
• 训练模型，基于血液生物标志物区分中度COVID-19与非COVID-19病毒性肺炎。
• 通过标准超参数调优和交叉验证技术优化模型性能。
• 部署隐私保护的网络门户，实现实时临床模型应用。
• 公开发布训练好的模型，以促进进一步开发及在临床和研究应用中的集成。

实验结果

研究问题

• RQ1 常规血液检查数据能否可靠地区分中度COVID-19与非COVID-19病毒性肺炎？
• RQ2 不同机器学习模型（如RFs与SVMs）在利用血液生物标志物分类这些疾病时表现如何？
• RQ3 从机器学习和临床两个视角来看，模型预测的可解释性程度如何？
• RQ4 基于该方法的部署系统能否在检测能力有限的临床环境中支持分诊？
• RQ5 表现最佳的模型在准确率、敏感性、特异性和精确率方面的表现如何？

主要发现

• 基于SVM的分类器表现最佳，准确率达84%，敏感性达88%，特异性为80%，精确率为92%。
• 从机器学习和临床两个视角来看，模型的预测结果均具有可解释性，增强了信任度和可用性。
• 表现最佳的模型在测试集上表现出良好的泛化能力，表明其对血液检查值变化具有鲁棒性。
• 结果表明，常规血液检查包含足够的区分信息，可用于中度病毒性肺炎的分诊。
• 成功部署了隐私保护的网络门户以支持临床使用，且训练好的模型已公开发布供公众重用。
• 本研究为资源有限或检测需求高的环境提供了一种可扩展、低成本的PCR检测替代方案，用于初步分诊。