Kontrastives Lernen und Subtypisierung von Lungen-CT-Bildern nach COVID-19 Zusammenfassung Bei Patienten, die sich von der neuartigen Coronavirus-Krankheit 2019 (COVID-19) erholt haben, können verschiedene Langzeitsymptome auftreten. Da die Lunge der häufigste Infektionsort ist, können bei COVID-19-Überlebenden dauerhaft pulmonale Folgeerscheinungen auftreten. Um die mit der Verschlechterung der Lungenfunktion bei Post-COVID-19-Patienten verbundenen Symptome besser zu verstehen, wollten wir ein Deep-Learning-Modell entwickeln , das zwei Aufgaben erfüllt: die Unterscheidung von Post-COVID-19-Probanden von gesunden Probanden und die Identifizierung von Post-COVID-19-Probanden. COVID-19-Subtypen, basierend auf latenten Darstellungen aus Lungen-Computertomographie (CT)-Scans . Es wurden CT-Scans von 140 Post-COVID-19-Probanden und 105 gesunden Kontrollpersonen analysiert. Durch die Einführung einer Lungenvolumentransformation wurde ein neues Lernmodell entwickelt, um latente Merkmale von Krankheitsphänotypen aus Inspirations- und Exspirations-CT-Scans derselben Probanden zu lernen. Das Modell erreichte eine Genauigkeit von 90 % bei der Unterscheidung von Post-COVID-19-Probanden und gesunden Kontrollpersonen. Unter den Post-COVID-19-Patienten wurden zwei Gruppen (C1 und C2) mit unterschiedlichen Merkmalen identifiziert. C1 wies einen stärkeren Lufteinschluss auf, der durch eine Erkrankung der kleinen Atemwege verursacht wurde (4,10 %, p = 0,008) und die Diffusionskapazität von % vorhergesagtem Kohlenmonoxid (% vorhergesagter DLCO, 101,95 %, p < 0,001), während C2 eine Abnahme des Lungenvolumens aufwies (4,40). l, p < 0,001) und eine Erhöhung der Mattglasopazität (GGO%, 15,85 %, p < 0,001). Das kontrastive Lernmodell ist in der Lage, die latenten Merkmale von zwei Post-COVID-19-Subtypen zu erfassen, die durch Lufteinschlüsse aufgrund einer Erkrankung der kleinen Atemwege bzw. atemwegsassoziierten interstitiellen fibrotischen Mustern gekennzeichnet sind. Die Entdeckung von Post-COVID-19-Subtypen legt die Notwendigkeit einer unterschiedlichen Behandlung und Behandlung der Langzeitfolgen von Post-COVID-19-Patienten nahe. |
Die TLC- und VR-Bilder der repräsentativen Probanden jeder Gruppe. Die erste und dritte Spalte zeigten die Aktivierungskarten, die die Regionen angeben, die für die Bestimmung wichtig sind, ob es sich bei den Probanden um Post-COVID-19-Probanden (rot) oder Kontrollpersonen (lila) handelte.
Kommentare
Für Patienten, die mit anhaltenden Atemwegssymptomen des neuen Coronavirus zu kämpfen haben, kann eine Röntgenaufnahme des Brustkorbs nicht viel verraten. Zweidimensionale (2D) Scans können eine beeinträchtigte Lungenfunktion einfach nicht erkennen . Für diese Diagnose ist eine dreidimensionalere (3D) CT-Technik erforderlich.
Viele medizinische Kliniken in den Vereinigten Staaten verfügen jedoch nicht über CT-Geräte, sodass Patienten mit Langzeit-COVID-Infektion kaum Informationen über ihre Lungenfunktion haben.
Das kann sich ändern. In einer neuen Studie haben Forscher der University of Iowa ein sogenanntes kontrastives Lernmodell entwickelt . Dieses Modell „lernt“ aus zusammengesetzten 2D-Bildern, die aus 3D-CT-Bildern erstellt wurden, um eine beeinträchtigte Lungenfunktion bei Patienten mit langem COVID zu erkennen. Bei einer anderen Technik namens „Transfer-Learning“ werden dann Lungendiagnoseinformationen von einem CT-Scan auf eine Röntgenaufnahme des Brustkorbs übertragen, sodass das Röntgengerät des Brustkorbs Anomalien erkennen kann, als ob diese Patienten einen CT-Scan durchgeführt hätten.
In der Studie zeigten die Forscher, wie ihr kontrastives Lernmodell zur Erkennung von Erkrankungen der kleinen Atemwege eingesetzt werden kann , bei denen es sich um ein frühes Stadium einer beeinträchtigten Lungenfunktion bei Patienten mit langem COVID handelt. Bei Patienten mit langem COVID waren die Modelle weit genug fortgeschritten, um den Schweregrad der beeinträchtigten Lungenfunktion zu unterscheiden und Patienten mit Erkrankungen der kleinen Atemwege von Patienten mit fortgeschritteneren Atemproblemen zu unterscheiden.
„Das neue Element des Modells besteht darin, Informationen aus 3D-CT-Scans zu übernehmen, die das Lungenvolumen zeigen, und diese Informationen auf ein Modell zu übertragen, das dieselben Merkmale in 2D-Bildern zeigt“, sagen Ching-Long Lin, Edward M. Mielnik und Samuel R Harding-Professor und Vorsitzender der Fakultät für Maschinenbau am Iowa College of Engineering. „Ärzte könnten Röntgenaufnahmen des Brustkorbs verwenden, um diese Befunde festzustellen. „Das ist die umfassendere Perspektive.“
Die Forscher basierten ihr Modell auf CT-Scans von 100 Menschen , die mit dem ursprünglichen COVID-Stamm infiziert waren und zwischen Juni und Dezember 2020 zu UI Hospitals & Clinics kamen , um Atemprobleme diagnostiziert zu bekommen. Viele dieser Patienten mit langem COVID hatten eine Erkrankung der kleinen Atemwege , eine Diagnose, über die Alejandro Comellas, klinischer Professor für Innere Lungenheilkunde, Intensivmedizin und Arbeitsmedizin, in einem im März letzten Jahres in der Zeitschrift Radiology veröffentlichten Artikel berichtete.
Erkrankungen der kleinen Atemwege betreffen ein Netzwerk von mehr als 10.000 Schläuchen am Nexus in der Lunge, wo sich sauerstoffreiche Luft mit Blut vermischt, um durch den Körper transportiert zu werden. Bei Menschen mit Erkrankungen der kleinen Atemwege sind viele dieser Blutgefäße verengt, was den Austausch von Sauerstoff und Blut in der Lunge einschränkt und die Atmung im Allgemeinen verhindert.
Lin und sein Team sammelten Datenpunkte in zwei Intervallen auf CT-Scans der Lunge: wenn der Patient einatmete und wenn er ausatmete. Die Forscher verglichen ihre Ergebnisse mit einer Kontrollgruppe, die sich bei der Erstellung des kontrastiven Lernmodells nicht mit dem Virus infiziert hatte.
„Unsere Modelle identifizierten erfolgreich eine verminderte Lungenfunktion bei Patienten mit langem COVID im Vergleich zu denen, die sich nicht mit dem Virus infiziert hatten“, sagt Lin, dessen Fachwissen im maschinellen Lernen und der rechnergestützten Simulation von Flüssigkeits- und Partikeldynamik liegt.
Lins Team entwickelte das Modell weiter, sodass es Patienten mit Erkrankungen der kleinen Atemwege von Patienten mit fortgeschritteneren Komplikationen wie einem Emphysem unterscheiden konnte.
„Die Studie hat unabhängig gezeigt, dass Post-COVID-Patienten zwei Arten von Lungenläsionen haben (Erkrankung der kleinen Atemwege und Fibrose/Entzündung des Lungenparenchyms), die bestehen bleiben, nachdem sie sich von ihrer anfänglichen SARS-CoV-Infektion erholt haben.“ 2“, sagt Comellas, Mitautor dieser Studie.
„Röntgenaufnahmen des Brustkorbs sind erschwinglich, während CT-Scans teurer und nicht so zugänglich sind“, fügt Lin hinzu. „Unser Modell kann weiter verbessert werden, und ich denke, dass es Potenzial für den Einsatz in allen Kliniken gibt, ohne dass teure Bildgebungsgeräte wie CT-Scanner angeschafft werden müssen.“
Die Autoren weisen darauf hin, dass die Studie begrenzt ist, was zum Teil darauf zurückzuführen ist, dass die Stichprobengröße klein ist und die Patienten aus einem einzigen medizinischen Zentrum stammen. Sie schreiben, dass eine größere Stichprobe möglicherweise mehr Variationen in der Lungenfunktion aufdeckt, die auf langes COVID zurückzuführen sind.
Die Studie „Contrastive learning and subtyping of post-COVID-19 lung CT images“ wurde in der Fachzeitschrift Frontiers in Physiology veröffentlicht . Zu den Co-Autoren, alle aus Iowa, gehören Frank Li, Xuan Zhang, Eric Hoffman und Tianbao Yang.
Das National Heart, Lung, and Blood Institute, eine Zweigstelle der US-amerikanischen National Institutes of Health; und das US-Bildungsministerium finanzierte die Forschung.
