论文部分内容阅读
目的 分析基于深度学习的新型冠状病毒肺炎(COVID-19)不同临床转归患者胸部CT的差异,以提高对COVID-19转归的影像认识.方法 回顾性分析2020年1月25日至3月29日来自内蒙古自治区COVID-19病例库的42例COVID-19患者(临床分型为普通型)的胸部CT资料,其中,男性20例、女性22例,年龄17个月～86岁[(48.74±17.18)岁].根据是否转为重症(重型或危重型)将患者分为未转为重症的A组(n=29)和转为重症的B组(n=13),比较2组患者年龄、性别及基于深度学习的胸部CT表现,评价感染肺叶病灶分布,累及肺叶侧别、数目,感染肺叶病灶体积,密度(CT值)和感染肺叶病灶体积占比等资料的差异.计量资料的比较采用两独立样本t检验、Mann-Whitney U非参数检验;计数资料的比较采用卡方检验或Fisher's确切概率法.结果 2组患者的性别差异无统计学意义(x2=0.016,P=1.000).B组患者的年龄高于A组[(65.62±11.24)岁对(41.17±13.66)岁],且差异有统计学意义(t=5.64,P＜0.001).B组患者感染肺叶数以及各肺叶感染体积占比、总感染体积占比均高于A组,且差异有统计学意义(Z=2.505～3.605,均P＜0.05).2组患者肺部总体积差异无统计学意义(Z=1.456,P=0.146),B组患者各肺叶感染体积及双肺总感染体积均高于A组,且差异有统计学意义(Z=2.301～3.254,均P＜0.05);B组患者在各CT阈值范围内的肺部感染体积占比均高于A组,且差异有统计学意义(Z=3.115～3.578,均P＜0.05).胸部CT和人工智能病灶识别图的图像结果显示,病灶均以磨玻璃密度影、实变为主,双肺下叶感染较多,右肺中叶较少.结论 转为重症的COVID-19患者的胸部CT明显有别于未转为重症的患者.基于深度学习的人工智能可尽早评估有重症转归倾向的患者,有助于COVID-19重症率的控制.