Apprendimento contrastivo e sottotipizzazione delle immagini TC polmonari post-COVID-19 Riepilogo I pazienti che si sono ripresi dalla nuova malattia da coronavirus 2019 (COVID-19) possono manifestare una varietà di sintomi a lungo termine. Poiché il polmone è il sito più comune di infezione, le sequele polmonari possono verificarsi in modo persistente nei sopravvissuti al COVID-19. Per comprendere meglio i sintomi associati al declino della funzionalità polmonare nei pazienti post-COVID-19, abbiamo mirato a costruire un modello di deep learning che svolge due compiti: differenziare i soggetti post-COVID-19 da soggetti sani e identificare i soggetti post-COVID-19. Sottotipi di COVID-19, basati sulle rappresentazioni latenti delle scansioni di tomografia computerizzata (CT) polmonare . Sono state analizzate le scansioni TC di 140 soggetti post-COVID-19 e 105 controlli sani. È stato sviluppato un nuovo modello di apprendimento introducendo una trasformazione del volume polmonare per apprendere le caratteristiche latenti dei fenotipi della malattia dalle scansioni TC di inspirazione ed espirazione degli stessi soggetti. Il modello ha raggiunto un’accuratezza del 90% nel differenziare i soggetti post-COVID-19 dai controlli sani. Tra i soggetti post-COVID-19 sono stati identificati due gruppi (C1 e C2) con caratteristiche distinte. C1 ha mostrato un maggiore intrappolamento d’aria causato dalla malattia delle piccole vie aeree (4,10%, p = 0,008) e la capacità di diffusione del monossido di carbonio% previsto (% DLCO previsto, 101,95%, p < 0,001), mentre C2 ha presentato una diminuzione del volume polmonare (4,40 l, p <0,001) e un aumento dell’opacità del vetro smerigliato (GGO%, 15,85%, p <0,001). Il modello di apprendimento contrastivo è in grado di catturare le caratteristiche latenti di due sottotipi post-COVID-19 caratterizzati rispettivamente da intrappolamento d’aria dovuto alla malattia delle piccole vie aeree e da pattern fibrotici interstiziali associati alle vie aeree. La scoperta di sottotipi post-COVID-19 suggerisce la necessità di una gestione e di trattamenti diversi delle sequele a lungo termine dei pazienti post-COVID-19. |
Le immagini TLC e VR dei soggetti rappresentativi di ciascun gruppo. La prima e la terza colonna mostravano le mappe di attivazione che indicavano le regioni importanti per determinare se i soggetti erano soggetti post-COVID-19 (rosso) o soggetti di controllo (viola).
Commenti
Per i pazienti che soffrono di sintomi respiratori persistenti del nuovo coronavirus, una radiografia del torace non può rivelare molto. Le scansioni bidimensionali (2D) semplicemente non sono in grado di distinguere la funzione polmonare compromessa. Per questa diagnosi è necessaria una tecnica TC più tridimensionale (3D).
Tuttavia, molte cliniche mediche negli Stati Uniti non dispongono di macchine TC, lasciando i pazienti affetti da COVID da molto tempo con poche informazioni sulla loro funzione polmonare.
Ciò potrebbe cambiare. In un nuovo studio, i ricercatori dell’Università dell’Iowa hanno sviluppato quello che viene chiamato un modello di apprendimento contrastivo . Questo modello “impara” da immagini 2D composite costruite da immagini TC 3D per rilevare la funzionalità polmonare compromessa nei pazienti affetti da COVID da lungo tempo. Un’altra tecnica, chiamata transfer learning , trasmette quindi le informazioni diagnostiche polmonari da una TAC a una radiografia del torace, consentendo alla macchina per le radiografie del torace di rilevare anomalie come se quei pazienti avessero utilizzato una TAC.
Nello studio, i ricercatori hanno mostrato come il loro modello di apprendimento contrastivo potrebbe essere applicato per rilevare la malattia delle piccole vie aeree , che è uno stadio iniziale della funzione polmonare compromessa nei pazienti con COVID lungo. Per quanto riguarda i pazienti con COVID lungo, i modelli erano sufficientemente avanzati da distinguere la gravità della funzione polmonare compromessa, separando quelli con malattia delle piccole vie aeree da quelli con problemi respiratori più avanzati.
"Il nuovo elemento del modello è quello di prendere informazioni dalle scansioni TC 3D che mostrano il volume polmonare e trasferire tali informazioni a un modello che mostrerà queste stesse caratteristiche nelle immagini 2D", affermano Ching-Long Lin, Edward M. Mielnik e Samuel R. Professore Harding e presidente del Dipartimento di Ingegneria Meccanica presso l’Iowa College of Engineering. “I medici potrebbero utilizzare le radiografie del torace per rilevare questi risultati. "Questa è la prospettiva più ampia."
I ricercatori hanno bas , una diagnosi riportata da Alejandro Comellas, professore clinico di medicina interna-polmonare, terapia intensiva e medicina del lavoro, in un articolo pubblicato lo scorso marzo sulla rivista Radiology.
La malattia delle piccole vie aeree colpisce una rete di oltre 10.000 tubi nel nesso del polmone dove l’aria ossigenata si mescola con il sangue per essere trasportata in tutto il corpo. Le persone affette da malattia delle piccole vie aeree hanno molti di questi vasi sanguigni ristretti, il che limita lo scambio di ossigeno e sangue nei polmoni e impedisce la respirazione in generale.
Lin e il suo team hanno raccolto dati a due intervalli sulle scansioni TC dei polmoni: quando il paziente inspirava e quando espirava. I ricercatori hanno confrontato i loro risultati con quelli di un gruppo di controllo che non aveva contratto il virus durante la creazione del modello di apprendimento contrastivo.
“I nostri modelli hanno identificato con successo una diminuzione della funzionalità polmonare nei pazienti con COVID lungo rispetto a quelli che non avevano contratto il virus”, afferma Lin, la cui esperienza è nell’apprendimento automatico e nella simulazione computazionale della dinamica dei fluidi e delle particelle.
Il team di Lin ha avanzato il modello in modo da poter separare i pazienti con malattie delle piccole vie aeree da quelli con complicazioni più avanzate, come l’enfisema.
“Lo studio ha dimostrato in modo indipendente che i pazienti post-COVID presentano due tipi di lesioni polmonari (malattia delle piccole vie aeree e fibrosi/infiammazione del parenchima polmonare) che persistono dopo essersi ripresi dall’infezione iniziale da SARS CoV”. 2”, afferma Comellas, coautore di questo studio.
"Le radiografie del torace sono convenienti, mentre le scansioni TC sono più costose e non altrettanto accessibili", aggiunge Lin. "Il nostro modello può essere ulteriormente migliorato e penso che ci sia il potenziale per essere utilizzato in tutte le cliniche senza dover acquistare costose apparecchiature di imaging come gli scanner CT."
Gli autori notano che lo studio è limitato, in parte perché la dimensione del campione è piccola e i pazienti provengono da un unico centro medico. Una dimensione del campione più ampia, scrivono, potrebbe scoprire più variazioni nella funzione polmonare derivanti da un lungo periodo di COVID.
Lo studio, “Apprendimento contrastivo e sottotipizzazione delle immagini CT del polmone post-COVID-19”, è stato pubblicato sulla rivista Frontiers in Physiology . I coautori, tutti dell’Iowa, includono Frank Li, Xuan Zhang, Eric Hoffman e Tianbao Yang.
Il National Heart, Lung, and Blood Institute, una filiale del National Institutes of Health degli Stati Uniti; e il Dipartimento dell’Istruzione degli Stati Uniti ha finanziato la ricerca.
