Quantitative evaluation of COVID-19 pneumonia severity by CT pneumonia analysis algorithm using deep learning technology and blood test results

Abstract

Purpose To evaluate whether early chest computed tomography (CT) lesions quantified by an artificial intelligence (AI)based commercial software and blood test values at the initial presentation can differentiate the severity of COVID-19 pneumonia.Materials and methods This retrospective study included 100 SARS-CoV-2-positive patients with mild (n = 23), moderate (n = 37) or severe (n = 40) pneumonia classified according to the Japanese guidelines. Univariate Kruskal-Wallis and multivariate ordinal logistic analyses were used to examine whether CT parameters (opacity score, volume of opacity, % opacity, volume of high opacity, % high opacity and mean HU total on CT) as well as blood test parameters [procalcitonin, estimated glomerular filtration rate (eGFR), C-reactive protein, % lymphocyte, ferritin, aspartate aminotransferase, lactate dehydrogenase, alanine aminotransferase, creatine kinase, hemoglobin A1c, prothrombin time, activated partial prothrombin time (APTT), white blood cell count and creatinine] differed by disease severity. Results All CT parameters and all blood test parameters except procalcitonin and APPT were significantly different among mild, moderate and severe groups. By multivariate analysis, mean HU total and eGFR were two independent factors associated with severity (p < 0.0001). Cutoff values for mean HU total and eGFR were, respectively, − 801 HU and 77 ml/min/1.73 m 2 between mild and moderate pneumonia and − 704 HU and 53 ml/min/1.73 m 2 between moderate and severe pneumonia. ConclusionThe mean HU total of the whole lung, determined by the AI algorithm, and eGFR reflect the severity of COVID-19 pneumonia.

Precisión diagnóstica del <i>software</i> de cuantificación automática en pacientes con sospecha de COVID-19 del Instituto Nacional de Cardiología Ignacio Chávez

“…Posteriormente, genera dos medidas combinadas de la gravedad de la afectación de pulmón/ lóbulo, cuantificando la extensión de la presencia de opacidades altas (vidrio despulido y consolidación), de las que ya se ha demostrado su relación con síntomas graves y peor pronóstico (asistencia ventilatoria y mortalidad). La primera medida de gravedad de la enfermedad es global, mientras que la segunda se refiere específicamente a lóbulos [6][7][8][9][10][11][12] . El algoritmo de IA fragmenta de forma automática ambos pulmones y sus lóbulos, y muestra los contornos resultantes como una superposición gráfica.…”

“…El algoritmo de IA fragmenta de forma automática ambos pulmones y sus lóbulos, y muestra los contornos resultantes como una superposición gráfica. Con base en la atenuación de los vóxeles y de acuerdo con umbrales preestablecidos, este cuenta volúmenes y porcentajes entregando el cálculo de las zonas de ocupación acinar, las cuales están representadas por aquellos con una densidad mayor de -200 U (high average volumen), mientras que el parénquima pulmonar normal tiene densidades de -750 a -950 UH 12 , un grosor de segmentación de 2 mm con un nivel de ventana de -600 y un ancho de ventana de 1,200. Es importante resaltar que los valores generales de la probabilidad de COVID-19, la puntuación de opacidad total y los valores de porcentaje de opacidad que se muestran junto al gráfico corresponden a la totalidad del pulmón 11 (Fig.…”

“…Ante la saturación de los servicios de radiología, herramientas auxiliares como la inteligencia artificial (IA) han adquirido relevancia con software packages como el CT Pneumonia Analysis (Siemens Healthlineers), el cual se define como un sistema de procesamiento de imágenes que proporciona un análisis cualitativo y cuantitativo de imágenes DICOM provenientes de TC [11][12][13] . Este sistema se utiliza para asistir a radiólogos y médicos a la hora de evaluar y valorar patologías pulmonares, lo que hace de él una herramienta útil de apoyo al diagnóstico y medición de los hallazgos tomográficos pulmonares 14 , sobre todo en una enfermedad como la COVID-19, que tiene patrones muy similares a otras patologías, agilizando así el análisis y la obtención de resultados [15][16][17] .…”

Letter to the Editor: Quantitative evaluation of COVID-19 pneumonia severity by CT pneumonia analysis algorithm using deep learning technology and blood test results

“…Dear Editor, we would like to share ideas on “Quantitative evaluation of COVID-19 pneumonia severity by CT pneumonia analysis algorithm using deep learning technology and blood test results” Okuma et al concluded that “The mean HU total of the whole lung, determined by the AI algorithm, and eGFR reflect the severity of COVID-19 pneumonia [ 1 ].” This algorithm is useful but there are some points for consideration. First, it is necessary to have a good control on interference factors.…”

Reply to the Letter to the Editor: Quantitative evaluation of COVID-19 pneumonia severity by CT pneumonia analysis algorithm using deep learning technology and blood test results

“…We thank Drs. Mungmunpuntipantip and Wiwanitkit for their interest and valuable comments on our recent work [ 1 ]. As they pointed out, eGFR is calculated based on gender, age and serum creatinine [ 2 ], and we agree with them that the validity and reliability of eGFR estimation depends on accurate and precise measurements of serum creatinine.…”