ラジオミクス解析によるComputed Tomographyの解析はCOVID-19の予後不良の予後予測に役立つ

Radiomics Analysis of Computed Tomography helps predict poor prognostic outcome in COVID-19.

• Qingxia Wu
• Shuo Wang
• Liang Li
• Qingxia Wu
• Wei Qian
• Yahua Hu
• Li Li
• Xuezhi Zhou
• He Ma
• Hongjun Li
• Meiyun Wang
• Xiaoming Qiu
• Yunfei Zha
• Jie Tian

抄録

COVID-19の急速な普及を考えると、最新のリスク統計的予後診断ツールは、予後不良の高リスク患者を特定するのに役立つ可能性がある。我々は、COVID-19患者の予後不良（死亡、機械換気の必要性、または集中治療室入院）を個別に予測するために、胸部CTによる非侵襲的で使いやすい予後シグネチャーを開発することを目的とした。 2019年11月29日から2020年2月19日までに、4施設からCOVID-19患者492例をレトロスペクティブに収集した。症状発現から最初の CT スキャンまでの期間の違いが予後モデルに影響する可能性があるため、492 例の患者を次の 2 つのグループに分類した：1) 早期群。1）初期群：症状発現後1週間以内（0-6日、n = 317）にCT撮影を行った群、および2）後期群。2）後期群：症状発現後1週間後（7日以上、n=175）にCT撮影を行った。各群では、患者を施設に応じて一次コホート（初期群n = 212、後期群n = 139）と外部独立検証コホート（初期群n = 105、後期群n = 36）に分けた。2つの患者群で2つの別々のラジオミクスモデルを構築した。第一に、ラジオミクス特徴抽出のための肺容積を抽出するための自動セグメンテーション法を提案した。第二に、ラジオミクス特徴量の再現性を高めるために、いくつかの画像前処理を適用した。1) ボクセルリサンプリングの前にローパスガウスフィルタを適用してエイリアシングを防止し、2) ラジオミクス特徴量をスキャナごとに調和させるためにComBatを実施し、3) ラジオミクス特徴量の安定性を回転、並進、成長/縮小などの画像変換によってテストした。第三に、最小絶対縮小選択演算子(LASSO)を用いてラジオミクスシグネチャ(RadScore)を構築した。その後、Fine-Gray競合リスク回帰を行い、臨床モデルと臨床ラジオミクスシグネチャ（CrrScore）を構築した。最後に、3つの予後シグネチャー（臨床モデル、RadScore、CrrScore）の性能を2つの側面から推定した。1)累積不良転帰確率予測、2)28日間不良転帰予測の2つの側面から評価した。また、CrrScoreと不良転帰との間の潜在的な関連性を年齢、タイプ、および併存疾患の異なるサブグループについて層別分析を行った。 早期群では、CrrScoreは不良転帰の推定（C-index = 0.850）および28日間の不良転帰の確率の予測（AUC = 0.862）において最も優れた性能を示した。後期群では，RadScoreのみで不良転帰の予測（C-index = 0.885），28日目の不良転帰確率の予測（AUC = 0.976）においてCrrScoreと同等の成績を示した。さらに、両群のRadScoreは、COVID-19患者をトレーニングコホートとバリデーションコホートで生存期間が有意に異なる低RadScore群または高RadScore群に層別化することに成功した（いずれも<0.05）。また、両群のCrrScoreは、複合コホートにおいて、異なる年齢、タイプ、および併存疾患のサブグループに関する予後の異なる患者を有意に層別化することができる（すべて<0.05）。 本研究では、CT画像に基づいてCOVID-19患者の予後不良を予測するための非侵襲的かつ定量的な予後予測ツールを提案した。医療手段が不十分であることを考慮すると，COVID-19の胸部CT画像は，COVID-19後期患者の予後不良を予測するためには，より効果的で理想的であることが示唆された．早期の患者に対しては、ラジオミクス信号と臨床的危険因子を統合することで、個々の予後不良の予後をより正確に予測することができ、COVID-19の適切な管理とサーベイランスを可能にすることができる。

Given the rapid spread of COVID-19, an updated risk-stratify prognostic tool could help clinicians identify the high-risk patients with worse prognoses. We aimed to develop a non-invasive and easy-to-use prognostic signature by chest CT to individually predict poor outcome (death, need for mechanical ventilation, or intensive care unit admission) in patients with COVID-19. From November 29, 2019 to February 19, 2020, a total of 492 patients with COVID-19 from four centers were retrospectively collected. Since different durations from symptom onsets to the first CT scanning might affect the prognostic model, we designated the 492 patients into two groups: 1) the early-phase group: CT scans were performed within one week after symptom onset (0-6 days, n = 317); and 2) the late-phase group: CT scans were performed one week later after symptom onset (≥7 days, n = 175). In each group, we divided patients into the primary cohort (n = 212 in the early-phase group, n = 139 in the late-phase group) and the external independent validation cohort (n = 105 in the early-phase group, n = 36 in the late-phase group) according to the centers. We built two separate radiomics models in the two patient groups. Firstly, we proposed an automatic segmentation method to extract lung volume for radiomics feature extraction. Secondly, we applied several image preprocessing procedures to increase the reproducibility of the radiomics features: 1) applied a low-pass Gaussian filter before voxel resampling to prevent aliasing; 2) conducted ComBat to harmonize radiomics features per scanner; 3) tested the stability of the features in the radiomics signature by several image transformations, such as rotating, translating, and growing/shrinking. Thirdly, we used least absolute shrinkage and selection operator (LASSO) to build the radiomics signature (RadScore). Afterward, we conducted a Fine-Gray competing risk regression to build the clinical model and the clinic-radiomics signature (CrrScore). Finally, performances of the three prognostic signatures (clinical model, RadScore, and CrrScore) were estimated from the two aspects: 1) cumulative poor outcome probability prediction; 2) 28-day poor outcome prediction. We also did stratified analyses to explore the potential association between the CrrScore and the poor outcomes regarding different age, type, and comorbidity subgroups. In the early-phase group, the CrrScore showed the best performance in estimating poor outcome (C-index = 0.850), and predicting the probability of 28-day poor outcome (AUC = 0.862). In the late-phase group, the RadScore alone achieved similar performance to the CrrScore in predicting poor outcome (C-index = 0.885), and 28-day poor outcome probability (AUC = 0.976). Moreover, the RadScore in both groups successfully stratified patients with COVID-19 into low- or high-RadScore groups with significantly different survival time in the training and validation cohorts (all < 0.05). The CrrScore in both groups can also significantly stratify patients with different prognoses regarding different age, type, and comorbidities subgroups in the combined cohorts (all < 0.05). This research proposed a non-invasive and quantitative prognostic tool for predicting poor outcome in patients with COVID-19 based on CT imaging. Taking the insufficient medical recourse into account, our study might suggest that the chest CT radiomics signature of COVID-19 is more effective and ideal to predict poor outcome in the late-phase COVID-19 patients. For the early-phase patients, integrating radiomics signature with clinical risk factors can achieve a more accurate prediction of individual poor prognostic outcome, which enables appropriate management and surveillance of COVID-19.

© The author(s).