基于密度分布特征及机器学习诊断COVID-19相关性肺炎

摘要

目的:基于密度分布特征及机器学习诊断新型冠状病毒(COVID-19)相关性肺炎.方法:回顾性收集经荧光逆转录聚合酶链反应检测确诊COVID-19的患者42例(COVID-19组),社区获得性肺炎43例(对照组).共获得211份胸部CT图像,以6:4比例分层抽样为训练集(126份)及验证集(85份).采用一种CAD软件中的肺炎模块获得肺炎不同密度区间所占全肺体积的百分比(P/L％).密度分布特征降维后采用支持向量机(SVM)建模,并评价4种核函数的SVM模型的诊断效能.结果:两组患者的年龄、性别及出现胸膜腔积液的构成比差异均无统计学意义(P>0.05).肺炎密度分布特征降维后获得32个特征.基于该32个特征建立的4种核函数SVM模型中,多项式SVM模型在验证集的效能最高,受试者特征曲线(ROC)的曲线下面积为0.897(95％可信区间0.828～0.966),P<0.001.准确性为0.906(95％可信区间0.823～0.959),敏感性为0.906,特异性为0.906.结论:基于密度分布特征及机器学习诊断COVID-19相关性肺炎有较高的效能,有助于快速筛选COVID-19患者.