近日，我院医学影像科研究团队在期刊《BMC Pulmonary Medicine》(IF2.6，中科院3区，JCR分区：Q2）发表了题为“The severity assessment and nucleic acid turning-negative-time prediction in COVID-19 patients with COPD using a fused deep learning model”的研究成果，该论文第一作者刘艳辉副主任医师，通讯作者为杨晓光教授，呼和浩特市第一医院医学影像科为第一完成单位。

SCI学术论文的发表，不仅标志着我院医学影像科在影像诊断及研究领域的学术成果再取得新突破，同时彰显了我院医学影像科科研实力的显著提升，更标志着我院医学研究正稳步迈向国际化视野、标准化流程及更高水平。

近年来，呼和浩特市第一医院在提升医疗质量水平的同时，强化人才的培养和激励，注重科研水平的不断进步，使全院学术水平日益提高。

研究简介

由于新冠肺炎疫情的爆发，全球医疗保健资源一直面临着巨大的负担。预先存在的慢性阻塞性肺病（简称COPD）增加了COVID-19患者死亡的严重程度和死亡风险。COPD主要包括慢性支气管炎与肺气肿两种不同亚型，鉴于此，开发一种智能化算法以精确、自动化预测COVID-19患者的核酸转阴时间显得尤为迫切。此举有助于资源的合理配置与高效利用。本研究对COPD的两种亚型以及COVID-19患者的肺部病变严重程度和实验室检测指标进行了综合评估。深入探讨了深度学习技术和放射组学特征在预测核酸检测阴性时间中的临床应用价值。分析了影响核酸转阴时间的多种相关因素。

研究成果

本研究纳入了我院共281例COVID-19患者的CT影像以及相关临床资料，通过图像的分割与处理，以及放射组学特征的提取、分析与分类模型的构建，进而形成了若干具有较高可靠性的结论。

各组患者的基线特征比较

与COVID-19患者和COVID-19合并慢性支气管炎患者相比，COVID-19合并肺气肿患者的淋巴细胞计数最低；另外核酸转阴时间与疫苗呈负相关。

不同临床变量之间的相关性

NLR值与白细胞计数、中性粒细胞水平、c反应蛋白和PCT呈显著正相关（P<0.001），NLR值与淋巴细胞计数（P <0.001）呈显著负相关。

肺炎的严重程度分析

COVID-19合并肺气肿患者肺受累面积比例高于其他两组患者。

预测核酸转阴时间的模型

通过模型分析，与模型1相比，模型2的准确率提高了2.1%，精度提高了0.3%，灵敏度提高了2.8%，F1评分by0.7%，模型2预测1、2、4类核酸转化阴性时间的准确性优于模型1，表明放射性特征可以为预测核酸转阴时间提供互补信息。深度学习模型可以提供一种自动的评估方法，可以在临床实践中产生主体评估的影响。具体而言，该模型在0-5天、5—10天、11—15天、≥16天4个时间内对COVID-19患者进行核酸转阴时间预测，并对患者病情进行分层，发现病毒脱落时间延长的患者，促进优化治疗方案和治疗策略。