基礎疾患を有するCOVID-19患者の予後不良を同定するためのディープラーニングによるラジオミクスモデル：多施設共同研究

A Deep Learning Radiomics Model to Identify Poor Outcome in COVID-19 Patients With Underlying Health Conditions: A Multicenter Study.

抄録

目的:

コロナウイルス疾患2019（COVID-19）は、特に基礎疾患を有する患者において、かなりの罹患率と死亡率を引き起こしている。このような症例における不良な転帰を同定するための正確な予後予測ツールが切実に必要とされている。

OBJECTIVE: Coronavirus disease 2019 (COVID-19) has caused considerable morbidity and mortality, especially in patients with underlying health conditions. A precise prognostic tool to identify poor outcomes among such cases is desperately needed.

方法:

基礎疾患を有するCOVID-19患者計400例を4施設からレトロスペクティブに募集し、その中には死亡例54例（予後不良とラベル付け）および初回CT検査から少なくとも7日間退院または入院した患者346例が含まれる。患者は、トレーニングセット（n＝271）、テストセット（n＝68）、外部テストセット（n＝61）に割り当てられた。COVID-19患者が予後不良に至る確率を予測するために、3D-ResNet10ベースのディープラーニングモデルと定量的3Dラジオミクスモデルを組み合わせることにより、CT由来の初期ハイブリッドモデルを提案した。モデルの性能は、受信者動作特性曲線下面積（AUC）、生存分析、およびサブグループ分析によって評価した。

METHODS: Total 400 COVID-19 patients with underlying health conditions were retrospectively recruited from 4 centers, including 54 dead cases (labeled as poor outcomes) and 346 patients discharged or hospitalized for at least 7 days since initial CT scan. Patients were allocated to a training set (n = 271), a test set (n = 68), and an external test set (n = 61). We proposed an initial CT-derived hybrid model by combining a 3D-ResNet10 based deep learning model and a quantitative 3D radiomics model to predict the probability of COVID-19 patients reaching poor outcome. The model performance was assessed by area under the receiver operating characteristic curve (AUC), survival analysis, and subgroup analysis.

結果:

ハイブリッドモデルは、テストセットおよび外部テストセットにおいて0.876（95％信頼区間：0.752-0.999）および0.864（0.766-0.962）のAUCを達成し、他のモデルを上回った。生存分析では、ハイブリッドモデルが死亡率の有意な危険因子（ハザード比、2.049 [1.462-2.871]、P < 0.001）であることが検証され、不良な転帰に至る高リスクと低リスクに患者を十分に層別化することができた（P < 0.001）。

RESULTS: The hybrid model achieved AUCs of 0.876 (95% confidence interval: 0.752-0.999) and 0.864 (0.766-0.962) in test and external test sets, outperforming other models. The survival analysis verified the hybrid model as a significant risk factor for mortality (hazard ratio, 2.049 [1.462-2.871], P < 0.001) that could well stratify patients into high-risk and low-risk of reaching poor outcomes (P < 0.001).

結論:

ディープラーニングとラジオミクスを組み合わせたハイブリッドモデルは、基礎疾患を有するCOVID-19患者の転帰不良を初回CTスキャンから正確に同定することができた。優れたリスク層別化能力は、死亡リスクを警告し、タイムリーな監視計画を可能にするのに役立つ可能性がある。

CONCLUSION: The hybrid model that combined deep learning and radiomics could accurately identify poor outcomes in COVID-19 patients with underlying health conditions from initial CT scans. The great risk stratification ability could help alert risk of death and allow for timely surveillance plans.