基于深度学习模型对新型冠状病毒肺炎的定量CT研究

摘要

目的 探讨深度学习模型在新型冠状病毒肺炎的诊断、病情评估及与非新型冠状病毒肺炎的鉴别诊断价值.方法 选取并分析南京大学医学院附属鼓楼医院确诊的9例普通型新型冠状病毒肺炎(coronavirus disease-2019 pneumo-nia,COVID-19)患者(COVID-19组,新冠组)及25例非新型冠状病毒肺炎(community-acquired pneumonia,CAP)患者(CAP组,非新冠组)的胸部CT扫描图像和临床资料,通过深度学习分割方法进行图像分割,分割内容包括感染肺叶数、感染体积及其在肺部总体积中的占比等参数.分析两组患者的临床表现和实验室结果,比较两组患者的深度学习分割结果的差异.感染体积在肺部体积总占比及其在位置上的分布情况以平均值以及95％置信区间显示;两组之间感染肺叶数的比较采用Fisher确切概率法,两组之间肺炎病灶占整肺体积百分比之间的比较采用Mann-Whitney U检验(非正态分布).结果 采用深度学习分割方法可以对两组所有肺炎患者进行快速图像分割,平均分割时间为10s/例.新冠组与非新冠组在白细胞及淋巴细胞计数差异有统计学意义(P＜0.05).与非新冠组相比,普通型COVID-19组中的感染肺叶数显著少于CAP组(2.11 vs.3.24,P＜0.05),感染肺叶数与感染病变的分布及位置无显著差异;感染总体积占比在两组间无显著性差异.结论 深度学习分割的方法能够迅速进行肺炎整体病灶的自动分割,定量评估病变范围,与CAP组也具有一定的鉴别诊断价值,为探究COVID-19提供了一种CT的定量方法.