Возможности машинного обучения в определении вариантов течения вирусной пневмонии, ассоциированной с COVID-19, на основании данных компьютерной томографии

Введение. При острой респираторной инфекции COVID-19, вызываемой коронавирусом SARS-CoV-2 (2019-nCov), поражение лёгких имеет различные варианты течения, которые до настоящего времени не изучены в полном объёме.

Цель исследования: определить варианты течения вирусной пневмонии COVID-19 (ВП) на основании анализа динамики поражения лёгких, оцениваемой количественно по данным компьютерной томографии.

Материал и методы. Выполнен количественный анализ данных компьютерной томографии (КТ) грудной клетки 144 пациентов с ВП с помощью программного приложения 3D Slicer. Проводился кластерный и сравнительный непараметрический анализы показателей степени тяжести поражения лёгких (КТ1, КТ2, КТЗ, КТ4) и общего объёма поражённых лёгких (%), полученных при первичном и двух повторных КТ-исследованиях в динамике (пКТ, 1дКТ и 2дКТ) в программе «Statistica 12».

Результаты. При стабильном течении общий объём поражённых лёгких постоянен, находится в пределах одной степени тяжести: КТ1 - у 23,6 %, КТ2 -у 14,6 %, КТЗ - у 5,6 %, КТ4 - у 8,3 %. При прогредиентном течении объём поражения лёгких постепенно увеличивается от минимального к максимальному КТ1-КТ2-КТЗ - у 3,5 %, или увеличивается до максимального уровня на 1 дКТ, оставаясь стабильным на 2дКТ исследовании (КТ2-КТЗ-КТЗ) - у 4,2 %. При регредиентном течении объём поражения лёгких изменяется от максимального на пКТ к минимальному на 2дКТ: постепенно от КТ4 через КТЗ к КТ2 - у 4,2 %, или на одну степень тяжести КТЗ-КТ2-КТ2 - у 9,7 %, КТЗ-КТЗ-КТ2 - у 9,0 %. При прогредиентно-регредиентном течении объём поражения лёгких сначала достигает максимума на 1 дКТ, минимума на 2дКТ - КТ2-КТЗ-КТ2 - у 17,4 %. Внутригрупповое сравнение трёх повторных, зависимых показателей общего объёма поражённых лёгких и межгрупповое сравнение на пКТ, 1 дКТ и 2дКТ показало динамическое статистически значимое их различие для вариантов течения ВП (р < 0,05).

Выводы. Кластерный анализ общего объёма поражённых лёгких на серии из трёх КТ исследований в динамике позволил выделить пять вариантов течения вирусной пневмонии COVID-19 - стабильно-лёгкое, стабильно-тяжёлое, прогредиентное, регредиентное, прогредиентно-регредиентное.

1. Bernheim A., Mei X., Huang М., Yang У., Fayad Z.A., Zhang N., et al. Chest CT Findings in Coronavirus Disease-19 (COVID-19): Relationship to Duration of Infection. Radiology. 2020;295(3):200463. https://doi.Org/10.1148/radiol.2020200463

2. Pan F., Ye T., Sun P., Gui S., Liang B., Li L., et al. Time Course of Lung Changes at Chest CT during Recovery from Coronavirus Disease 2019 (COVID-19). Radiology. 2020;295(3):715-721. https://doi.org/10.1148/radiol.2020200370

3. Wang Y., Dong C., Hu Y., Li C., Ren Q., Zhang X., et al. Temporal Changes of CT Findings in 90 Patients with COVID-19 Pneumonia: A Longitudinal Study. Radiology. 2020;296(2):E55-E64. https://doi.org/10.1148/radiol.2020200843

4. Zhang H., Liu X., Yu P., Cheng M., Wang W., Sun Y., et al. Dynamic CT assessment of disease change and prognosis of patients with moderate COVID-19 pneumonia. JXray Sci Techno!. 2020;28(5):851-861. https://doi.org/10.3233/XST-200711

5. Zhou S., Wang Y., Zhu T., Xia L. CT Features of Coronavirus Disease 2019 (COVID-19) Pneumonia in 62 Patients in Wuhan, China. AJRAm J Roentgenol. 2020;214(6):1287-1294. https://doi.org/10.2214/AJR.20.22975

6. Grassi R., Cappabianca S., Urraro F., Granata V., Giacobbe G., Magliocchetti S., et al. Evolution of CT Findings and Lung Residue in Patients with COVID-19 Pneumonia: Quantitative Analysis of the Disease with a Computer Automatic Tool. J Pers Med. 2021; 11 (7):641. https://doi.Org/10.3390/jpm11070641

7. Морозов С.П. Проценко Д.Н., Сметанина С.В., Андрейченко А. Е., Амброси О. Е., Баланюк Э. А., и др. Лучевая диагностика коронавирусной болезни (COVID-19): организация, методология, интерпретация результатов: препринт N° ЦДТ-2020-ll. Версия 2 от 17.04.2020. /сост. Серия «лучшие практики лучевой и инструментальной диагностики». Выпуск 65. Москва, ГБУЗ «НПКЦ ДиТ ДЗМ», 2020. 60 с.

8. Гашев C.H., Бетляев Ф.Х., Лупинос М.Ю. Математические методы в биологии: анализ биологических данных в системе “Statistica”. Тюмень, Издательство Тюменского государственного университета, 2014. 208 с.

9. Халафян A.A. Современные статистические методы медицинских исследований. Изд. 3. URSS, 2014. 396 с.

10. Боровиков В.П. Популярное введение в современный анализ данных в системе STATISTICA. Учебное пособие для вузов. Москва, Горячая линия - Телеком, 2018. 288 с.

11. Бурков А. Машинное обучение без лишних слов. Санкт-Петербург, Питер, 2020. 192 с.

12. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. Москва, ФИЗМАТЛИТ, 2006. 816 с.

13. Сыса А.Г. Статистический анализ в биологии и медицине. Минск, ИВЦ Минфина, 2018. 140 с.

14. Zhou S., Zhu T., Wang Y., Xia L. Imaging features and evolution on CT in 100 COVID-19 pneumonia patients in Wuhan, China. Eur Radiol. 2020;30(10):5446-5454. https://doi.org/10.1007/s00330-020-06879-6

15. Zhan J., Li H., Yu H., Liu X., Zeng X., Peng D., et al. 2019 novel coronavirus (COVID-19) pneumonia: CT manifestations and pattern of evolution in 110 patients in Jiangxi, China. Eur Radiol. 2021 ;31 (2)4 059-1068. https://doi.org/10.1007/s00330-020-07201-0

16. Петриков C.C., Попова И.Е., Муслимов Р.Ш., Попугаев К.А., Кислухина Е.В., Коков Л.С. Возможности компьютерной томографии в оценке степени поражения лёгких у больных COVID-19 в условиях динамического наблюдения. REJR. 202040(2)4 4-26. https://doi.org/10.21569/2222-7415-2020-10-2-14-26