基于CT图像拓扑特征的COVID-19肺炎早期重症预测模型构建及可视化研究

为解决COVID-19肺炎早期重症（SVD）预测难题，日本九州大学等机构联合开展了一项基于CT图像拓扑特征的研究。通过构建累积Betti数（BN）映射图（b0/b1映射）提取拓扑特征，结合机器学习模型（RF/LR/SVM），最终模型在测试集中达到AUC 0.854、灵敏度0.908。该研究首次将拓扑数学应用于COVID-19影像分析，为临床决策提供可解释的影像标志物。

　　

COVID-19疫情虽已结束紧急状态，但全球仍面临重症患者预后不良的挑战。早期识别可能进展为重症（SVD）的肺炎患者至关重要，但现有CT影像评估依赖主观判断，缺乏量化标准。更棘手的是，传统深度学习方法如梯度加权类激活映射（Grad-CAM）存在解释性差、分辨率低等问题。如何从数学本质捕捉肺炎特征，成为突破诊断瓶颈的新思路。

日本九州大学医学量子科学部的Takahiro Iwasaki团队联合东京大学医院等机构，在《Radiological Physics and Technology》发表创新研究。他们另辟蹊径，从拓扑学视角发现：COVID-19肺炎的磨玻璃影（GGO）和实变等表现，本质是数学上的"团块"和"空洞"结构。团队开发了累积Betti数（BN）映射技术——通过计算二维空间中的0维BN（b₀，连通分量数）和1维BN（b₁，空洞数），构建出能可视化肺炎拓扑特征的影像图谱。

研究关键技术包括：1）从公开数据库获取258例患者CT数据（94例SVD）；2）采用滑动核卷积算法生成20种b₀/b₁映射（结合5-11像素核尺寸及1-5像素步长）；3）通过50-255阈值区间累加BN映射，提取10,800个拓扑特征；4）采用三重特征选择（互信息+统计检验+LASSO-LR/RF）和嵌套五折交叉验证优化模型。

【研究结果】

1. 拓扑特征可视化：
   累积b₀映射清晰显示肺炎区域的团块结构（图5），小核尺寸映射与肺炎区域高度吻合；b₁映射则捕捉到特征性空洞结构（图6），但分布更具异质性。这种数学表达克服了Grad-CAM梯度缓慢的缺陷。

2. 模型性能对比：
   单纯拓扑特征模型测试集AUC 0.643，低于常规影像组学模型（AUC 0.660）。但融合22项拓扑+影像组学的"全组合特征"模型表现最佳，测试集灵敏度达0.908，AUC提升至0.854（表4），显著优于既往研究（如Xie等AUC 0.980但样本量仅150例）。

3. 关键特征解析：
   核心特征WD_Ori_GLRLM_RP（运行百分比）反映SVD患者实变 homogeneity降低；b₀_ks9_ps2_LL_Hist_Energy（低频频能量）提示重症肺炎中心结构复杂性增加；b₀_ks5_ps3_Ori_GLRLM_GLV（灰度方差）显示连通组分分布差异（图7）。这些数学特征通过病例图像空间投影（图8）实现了可视化解释。

【结论与意义】
该研究开创性地将代数拓扑引入COVID-19影像分析，证实累积BN映射能捕捉肺炎的潜在数学结构特征。其核心价值在于：1）提供可解释的预测模型，医生可通过拓扑热图直观理解决策依据；2）突破传统影像组学局限，b₀/b₁映射从数学本质量化了GGO和实变的拓扑差异；3）高灵敏度（0.908）使其适合重症筛查场景。

局限在于仅分析二维切片且未纳入变异毒株数据。未来需拓展三维BN分析并整合临床指标。这项发表于放射物理技术顶刊的研究，为数学理论与医学影像的交叉创新提供了范式，其拓扑分析方法可推广至其他肺部疾病研究。