Возрастающая роль радиомических особенностей эпикардиальной жировой ткани для выявления тяжести инфекции COVID-19

Введение. Эпикардиальная жировая ткань (ЭЖТ) известна своими провоспалительными свойствами и связана с тяжестью заболевания коронавирусом 2019 года (COVID-19). Однако существующие методы, применяемые для оценки тяжести COVID-19, часто не учитывают состояние других органов и тканей, кроме легких, что ограничивает точность и надежность прогностических моделей.
Материал и методы. В ретроспективное исследование были включены данные 515 пациентов с COVID-19 (группа 1, n = 415; группа 2, n = 100) из двух центров (Шанхайский центр общественного здравоохранения и бразильская больница Нитерой) в период с января по июль 2020 года. В первую очередь, был предложен трехэтапный метод сегментации ЭЖТ путем объединения сетей детекции и сегментации объектов. Затем были извлечены радиомические характеристики легких и ЭЖТ и выполнен отбор признаков. Наконец, была создана гибридная модель, основанная на семи моделях машинного обучения, для определения степени тяжести COVID-19. Эффективность и неопределенность гибридной модели оценивались как в группах внутренней, так и внешней проверки.
Результаты. Для экстракции ЭЖТ коэффициенты сходства Дайса (DSC) двух центров составили 0,972 (± 0,011) и 0,968 (± 0,005) соответственно. При определении точности, площадь под кривой рабочих характеристик приемника (AUC), чистое улучшение реклассификации (NRI) и интегрированное улучшение дискриминации (IDI) гибридной модели увеличилась на 0,09 (p<0,001), 19,3% (p<0,05) и 18% (p<0,05) в когорте внутренней валидации и на 0,06 (p<0,001), 18,0% (p<0,05) и 18,0% (p<0,05) в когорте внешней валидации, соответственно. Анализ неопределенностей и радиомических особенностей подтвердил интерпретируемость модели и повышение достоверности прогнозирования после включения характеристик ЭЖТ.
Заключение. В представленном исследовании предложен новый трехэтапный метод выделения ЭЖТ. Мы продемонстрировали, что добавление радиомических особенностей ЭЖТ к модели определения тяжести COVID-19 приводит к повышению ее точности и снижению неопределенности. Ценность этих функций также была подтверждена путем ранжирования важности функций и визуализации.

1. Long B, Brady WJ, Koyfman A, Gottlieb M. Cardiovascular complications in COVID-19. The American Journal of Emergency Medicine. 2020;38(7):1504–7. DOI: 10.1016/j.ajem.2020.04.048

2. Zhu F, Zhu Z, Zhang Y, Zhu H, Gao Z, Liu X et al. Severity detection of COVID-19 infection with machine learning of clinical records and CT images. Technology and Health Care. 2022;30(6):1299–314. DOI: 10.3233/THC-220321

3. Nalliah CJ, Bell JR, Raaijmakers AJA, Waddell HM, Wells SP, Bernasochi GB et al. Epicardial Adipose Tissue Accumulation Confers Atrial Conduction Abnormality. Journal of the American College of Cardiology. 2020;76(10):1197–211. DOI: 10.1016/j.jacc.2020.07.017

4. Feng X, Li S, Sun Q, Zhu J, Chen B, Xiong M et al. Immune-Inflammatory Parameters in COVID-19 Cases: A Systematic Review and Meta-Analysis. Frontiers in Medicine. 2020;7:301. DOI: 10.3389/fmed.2020.00301

5. Kim I-C, Han S. Epicardial adipose tissue: fuel for COVID-19-induced cardiac injury? European Heart Journal. 2020;41(24):2334–5. DOI: 10.1093/eurheartj/ehaa474

6. Bihan H, Heidar R, Beloeuvre A, Allard L, Ouedraogo E, Tatulashvili S et al. Epicardial adipose tissue and severe Coronavirus Disease 19. Cardiovascular Diabetology. 2021;20(1):147. DOI: 10.1186/s12933-021-01329-z

7. Hoori A, Hu T, Al-Kindi S, Rajagopalan S, Wilson DL. Automatic Deep Learning Segmentation and Quantification of Epicardial Adipose Tissue in Non-Contrast Cardiac CT scans. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 2021;2021:3938–42. DOI: 10.1109/EMBC46164.2021.9630953

8. Commandeur F, Goeller M, Betancur J, Cadet S, Doris M, Chen X et al. Deep Learning for Quantification of Epicardial and Thoracic Adipose Tissue From Non-Contrast CT. IEEE Transactions on Medical Imaging. 2018;37(8):1835–46. DOI: 10.1109/TMI.2018.2804799

9. Begoli E, Bhattacharya T, Kusnezov D. The need for uncertainty quantification in machine-assisted medical decision making. Nature Machine Intelligence. 2019;1(1):20–3. DOI: 10.1038/s42256-018-0004-1

10. Zhao C, Xu Y, He Z, Tang J, Zhang Y, Han J et al. Lung segmentation and automatic detection of COVID-19 using radiomic features from chest CT images. Pattern Recognition. 2021;119:108071. DOI: 10.1016/j.patcog.2021.108071

11. Jocher G, Stoken A, Borovec J, NanoCode012, Chaurasia A, TaoXie et al. ultralytics/yolov5: v5.0 - YOLOv5-P6 1280 models, AWS, Supervise.ly and YouTube integrations. 2021. Av. at: https://zenodo.org/records/4679653

12. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. P. 234-241. [DOI: 10.1007/978-3-319-24574-4_28] In: Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. - Cham: Springer International Publishing, 2015. ISBN: 978-3-319-24573-7

13. Zwanenburg A, Vallières M, Abdalah MA, Aerts HJWL, Andrearczyk V, Apte A et al. The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Imagebased Phenotyping. Radiology. 2020;295(2):328–38. DOI: 10.1148/radiol.2020191145

14. Luo C-L, Rong Y, Chen H, Zhang W-W, Wu L, Wei D et al. A Logistic Regression Model for Noninvasive Prediction of AFP-Negative Hepatocellular Carcinoma. Technology in Cancer Research & Treatment. 2019;18:153303381984663. DOI: 10.1177/1533033819846632

15. Suykens JAK, Vandewalle J. Least Squares Support Vector Machine Classifiers. Neural Processing Letters. 1999;9(3):293–300. DOI: 10.1023/A:1018628609742

16. Belgiu M, Drăguţ L. Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing. 2016;114:24–31. DOI: 10.1016/j.isprsjprs.2016.01.011

17. Bahad P, Saxena P. Study of AdaBoost and Gradient Boosting Algorithms for Predictive Analytics. P. 235-244. [DOI: 10.1007/978-981-15-0633-8_22] In: International Conference on Intelligent Computing and Smart Communication 2019. - Singapore: Springer Singapore, 2020. ISBN: 978-9811506321

18. Chen T, Guestrin C. XGBoost: A Scalable Tree Boosting System. P. 785-794. [DOI: 10.1145/2939672.2939785] Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. - San Francisco California USA: ACM, 2016. ISBN: 978-1-4503-4232-2

19. Sai MJ, Chettri P, Panigrahi R, Garg A, Bhoi AK, Barsocchi P. An Ensemble of Light Gradient Boosting Machine and Adaptive Boosting for Prediction of Type-2 Diabetes. International Journal of Computational Intelligence Systems. 2023;16(1):14. DOI: 10.1007/s44196-023-00184-y

20. Blagus R, Lusa L. Gradient boosting for high-dimensional prediction of rare events. Computational Statistics & Data Analysis. 2017;113:19–37. DOI: 10.1016/j.csda.2016.07.016

21. Ji X, Ma Y, Shi N, Liang N, Chen R, Liu S et al. Clinical characteristics and treatment outcome of COVID-19 patients with stroke in China: A multicenter retrospective study. Phytomedicine. 2021;81:153433. DOI: 10.1016/j.phymed.2020.153433

22. Liang W, Liang H, Ou L, Chen B, Chen A, Li C et al. Development and Validation of a Clinical Risk Score to Predict the Occurrence of Critical Illness in Hospitalized Patients With COVID-19. JAMA Internal Medicine. 2020;180(8):1081–9. DOI: 10.1001/jamainternmed.2020.2033

23. Zhao C, Bai Y, Wang C, Zhong Y, Lu N, Tian L et al. Risk factors related to the severity of COVID-19 in Wuhan. International Journal of Medical Sciences. 2021;18(1):120–7. DOI: 10.7150/ijms.47193

24. Zhang R, Xiao Q, Zhu S, Lin H, Tang M. Using different machine learning models to classify patients into mild and severe cases of COVID-19 based on multivariate blood testing. Journal of Medical Virology. 2022;94(1):357–65. DOI: 10.1002/jmv.27352

25. Li K, Fang Y, Li W, Pan C, Qin P, Zhong Y et al. CT image visual quantitative evaluation and clinical classification of coronavirus disease (COVID-19). European Radiology. 2020;30(8):4407–16. DOI: 10.1007/s00330-020-06817-6

26. Klüner LV, Oikonomou EK, Antoniades C. Assessing Cardiovascular Risk by Using the Fat Attenuation Index in Coronary CT Angiography. Radiology: Cardiothoracic Imaging. 2021;3(1):e200563. DOI: 10.1148/ryct.2021200563

27. Milletari F, Navab N, Ahmadi S-A. V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. 2016 Fourth International Conference on 3D Vision (3DV). P. 565–571. 2016. [DOI: 10.1109/3DV.2016.79]