Published March 18, 2021
| Version v1
Publication
Open
Severity Assessment and Progression Prediction of COVID-19 Patients based on the LesionEncoder Framework and Chest CT (Preprint)
Creators
- 1. First Affiliated Hospital of Jinan University
- 2. Macquarie University
- 3. Australian Institute of Health and Welfare
- 4. Swinburne University of Technology
- 5. Huangshi Central Hospital
- 6. Hubei Polytechnic University
- 7. Peking University
- 8. Software (Spain)
- 9. Sun Yat-sen University
- 10. Hubei University of Arts and Science
- 11. Xiangyang Central Hospital
Description
BACKGROUND Automatic severity assessment and progression prediction can facilitate admission, triage, and referral of COVID-19 patients. OBJECTIVE This study aims to explore the potential use of lung lesion features in the management of COVID-19, based on the assumption that lesion features may carry important diagnostic and prognostic information for quantifying infection severity and forecasting disease progression. METHODS A novel LesionEncoder framework is proposed to detect lesions in chest CT scans and to encode lesion features for automatic severity assessment and progression prediction. The LesionEncoder framework consists of a U-Net module for detecting lesions and extracting features from individual CT slices, and a recurrent neural network (RNN) module for learning the relationship between feature vectors and collectively classifying the sequence of feature vectors. RESULTS Chest CT scans of two cohorts of COVID-19 patients from two hospitals in China were used for training and testing the proposed framework. When applied to assessing severity, this framework outperformed baseline methods achieving a sensitivity of 0.818, specificity of 0.952, accuracy of 0.940, and AUC of 0.903. It also outperformed the other tested methods in disease progression prediction with a sensitivity of 0.667, specificity of 0.838, accuracy of 0.829, and AUC of 0.736. CONCLUSIONS The LesionEncoder framework demonstrates a strong potential for clinical application in current COVID-19 management, particularly in automatic severity assessment of COVID-19 patients. This framework also has a potential for other lesion-focused medical image analyses. CLINICALTRIAL we performed a retrospective in China. This multicentre study was approved by the institutional review board of the principal investigator's hospital. Informed consent from patients was exempted due to the retrospective nature of this study.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
الخلفية يمكن أن يسهل التقييم التلقائي للشدة والتنبؤ بالتقدم دخول مرضى كوفيد-19 وفرزهم وإحالتهم. تهدف هذه الدراسة إلى استكشاف الاستخدام المحتمل لسمات آفة الرئة في إدارة كوفيد-19، بناءً على افتراض أن سمات الآفة قد تحمل معلومات تشخيصية وتنبؤية مهمة لتحديد شدة العدوى والتنبؤ بتطور المرض. الطرق يُقترح إطار عمل آفة آفة آفة جديد للكشف عن الآفات في فحوصات التصوير المقطعي المحوسب للصدر وترميز ميزات الآفة لتقييم الشدة التلقائي والتنبؤ بالتقدم. يتكون إطار عمل LesionEncoder من وحدة U - Net للكشف عن الآفات واستخراج الميزات من شرائح CT الفردية، ووحدة الشبكة العصبية المتكررة (RNN) لتعلم العلاقة بين ناقلات الميزات وتصنيف تسلسل ناقلات الميزات بشكل جماعي. تم استخدام فحوصات التصوير المقطعي المحوسب للصدر لمجموعتين من مرضى كوفيد-19 من مستشفيين في الصين لتدريب واختبار الإطار المقترح. عند تطبيقه على تقييم الشدة، تفوق هذا الإطار على طرق خط الأساس التي حققت حساسية قدرها 0.818، ونوعية قدرها 0.952، ودقة قدرها 0.940، ومساحة تحت المنحنى قدرها 0.903. كما تفوقت على الطرق الأخرى المختبرة في التنبؤ بتطور المرض بحساسية 0.667، ونوعية 0.838، ودقة 0.829، ومساحة تحت المنحنى 0.736. الاستنتاجات يوضح إطار عمل LesionEncoder إمكانات قوية للتطبيق السريري في الإدارة الحالية لـ COVID -19، لا سيما في تقييم الشدة التلقائي لمرضى COVID -19. يتمتع هذا الإطار أيضًا بإمكانية إجراء تحليلات طبية أخرى تركز على الآفات. CLINICALTRIAL أجرينا جلسة مراجعة في الصين. تمت الموافقة على هذه الدراسة متعددة المراكز من قبل مجلس المراجعة المؤسسي لمستشفى الباحث الرئيسي. تم إعفاء الموافقة المستنيرة من المرضى بسبب طبيعة هذه الدراسة بأثر رجعي.Translated Description (French)
CONTEXTE L'évaluation automatique de la gravité et la prédiction de la progression peuvent faciliter l'admission, le triage et l'orientation des patients atteints de COVID-19. OBJECTIF Cette étude vise à explorer l'utilisation potentielle des caractéristiques des lésions pulmonaires dans la prise en charge de la COVID-19, en partant de l'hypothèse que les caractéristiques des lésions peuvent contenir des informations diagnostiques et pronostiques importantes pour quantifier la gravité de l'infection et prévoir la progression de la maladie. MÉTHODES Un nouveau cadre LesionEncoder est proposé pour détecter les lésions dans les tomodensitogrammes thoraciques et pour coder les caractéristiques des lésions pour l'évaluation automatique de la gravité et la prédiction de la progression. Le cadre LesionEncoder se compose d'un module U-Net pour détecter les lésions et extraire les caractéristiques des tranches individuelles de tomodensitométrie, et d'un module de réseau neuronal récurrent (RNN) pour apprendre la relation entre les vecteurs de caractéristiques et classer collectivement la séquence des vecteurs de caractéristiques. RÉSULTATS LES tomodensitogrammes thoraciques de deux cohortes de patients COVID-19 de deux hôpitaux en Chine ont été utilisés pour former et tester le cadre proposé. Lorsqu'il est appliqué à l'évaluation de la gravité, ce cadre a surpassé les méthodes de référence, atteignant une sensibilité de 0,818, une spécificité de 0,952, une précision de 0,940 et une ASC de 0,903. Il a également surpassé les autres méthodes testées dans la prédiction de la progression de la maladie avec une sensibilité de 0,667, une spécificité de 0,838, une précision de 0,829 et une ASC de 0,736. CONCLUSIONS Le cadre LesionEncoder démontre un fort potentiel d'application clinique dans la gestion actuelle de la COVID-19, en particulier dans l'évaluation automatique de la gravité des patients atteints de COVID-19. Ce cadre a également un potentiel pour d'autres analyses d'images médicales axées sur les lésions. CLINICALTRIAL nous avons réalisé une rétrospective en Chine. Cette étude multicentrique a été approuvée par le comité d'examen institutionnel de l'hôpital de l'investigateur principal. Le consentement éclairé des patients a été exempté en raison du caractère rétrospectif de cette étude.Translated Description (Spanish)
ANTECEDENTES La evaluación automática de la gravedad y la predicción de la progresión pueden facilitar el ingreso, el triaje y la derivación de pacientes con COVID-19. OBJETIVO Este estudio tiene como objetivo explorar el uso potencial de las características de las lesiones pulmonares en el manejo de COVID-19, basado en la suposición de que las características de las lesiones pueden llevar información diagnóstica y pronóstica importante para cuantificar la gravedad de la infección y pronosticar la progresión de la enfermedad. MÉTODOS Se propone un nuevo marco LesionEncoder para detectar lesiones en tomografías computarizadas de tórax y para codificar las características de la lesión para la evaluación automática de la gravedad y la predicción de la progresión. El marco LesionEncoder consiste en un módulo U-Net para detectar lesiones y extraer características de cortes de TC individuales, y un módulo de red neuronal recurrente (RNN) para aprender la relación entre los vectores de características y clasificar colectivamente la secuencia de vectores de características. RESULTADOS SE utilizaron tomografías computarizadas de tórax de dos cohortes de pacientes con COVID-19 de dos hospitales en China para capacitar y probar el marco propuesto. Cuando se aplicó para evaluar la gravedad, este marco superó a los métodos de referencia logrando una sensibilidad de 0,818, especificidad de 0,952, precisión de 0,940 y AUC de 0,903. También superó a los otros métodos probados en la predicción de la progresión de la enfermedad con una sensibilidad de 0.667, especificidad de 0.838, precisión de 0.829 y AUC de 0.736. CONCLUSIONES El marco de LesionEncoder demuestra un fuerte potencial de aplicación clínica en el manejo actual de COVID-19, particularmente en la evaluación automática de la gravedad de los pacientes con COVID-19. Este marco también tiene un potencial para otros análisis de imágenes médicas centrados en lesiones. Clínico realizamos una retrospectiva en China. Este estudio multicéntrico fue aprobado por la junta de revisión institucional del hospital del investigador principal. El consentimiento informado de los pacientes quedó exento debido a la naturaleza retrospectiva de este estudio.Files
preprint-28903-submitted.pdf.pdf
Files
(1.4 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:52539f45a32ff66a5db2f8a2d3cfa0a4
|
1.4 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تقييم الشدة والتنبؤ بتقدم مرضى كوفيد-19 بناءً على إطار عمل مشفر الآفة والتصوير المقطعي المحوسب للصدر (ما قبل الطباعة)
- Translated title (French)
- Évaluation de la gravité et prévision de la progression des patients COVID-19 sur la base du cadre LesionEncoder et de la tomodensitométrie thoracique (préimpression)
- Translated title (Spanish)
- Evaluación de la gravedad y predicción de la progresión de los pacientes con COVID-19 según el marco LesionEncoder y la tomografía computarizada de tórax (preimpresión)
Identifiers
- Other
- https://openalex.org/W4206758448
- DOI
- 10.2196/preprints.28903
References
- https://openalex.org/W1901129140
- https://openalex.org/W1969460482
- https://openalex.org/W1993797585
- https://openalex.org/W2026616100
- https://openalex.org/W2060612775
- https://openalex.org/W2889985731
- https://openalex.org/W3001118548
- https://openalex.org/W3005879071
- https://openalex.org/W3006082171
- https://openalex.org/W3006248666
- https://openalex.org/W3007273493
- https://openalex.org/W3007497549
- https://openalex.org/W3008095816
- https://openalex.org/W3008985036
- https://openalex.org/W3009156795
- https://openalex.org/W3009557552
- https://openalex.org/W3010313912
- https://openalex.org/W3011083470
- https://openalex.org/W3011149445
- https://openalex.org/W3011414603
- https://openalex.org/W3012007054
- https://openalex.org/W3012284084
- https://openalex.org/W3013042152
- https://openalex.org/W3014725478
- https://openalex.org/W3021598653
- https://openalex.org/W3054666633
- https://openalex.org/W3099319035
- https://openalex.org/W3103199493
- https://openalex.org/W3104810384
- https://openalex.org/W3105081694
- https://openalex.org/W4205606652