Сравнение возможностей и ограничений анализа остаточных изменений в легких после COVID-19-ассоциированного поражения при визуальной оценке, шиарлет-преобразовании и радиомическом методе

Цель: сравнить воспроизводимость, ограничения и возможности трех иерархических уровней анализа компьютерных томографических (КТ) изображений при оценке остаточных изменений в легочной паренхиме после перенесенной коронавирусной инфекции – визуальной оценки, шиарлет-преобразования и количественных радиомических признаков.

Материал и методы. Проведен ретроспективный анализ данных 48 пациентов с подтвержденным поражением легких при вирусной инфекции, ассоциированной с COVID-19. Пациенты распределены на три группы: полный регресс изменений (20 человек; 41,7%), остаточные изменения в легких (18 человек; 37,5%) и летальный исход в острой фазе (10 человек; 20,8%). Анализ включал: визуальную оценку объема поражения по шкале КТ1–4, использование шиарлет-преобразования с цветовым кодированием плотности для улучшения восприятия структурных паттернов, радиомический анализ с ручной сегментацией регионов интереса и извлечением признаков энтропии (JointEntropy) и гомогенности (image data matrix, IDM) через 3D Slicer (расширение PyRadiomics). Воспроизводимость оценивали по коэффициенту каппа Коэна (κ) для визуальной и шиарлет-оценок и по внутриклассовому коэффициенту корреляции (intraclass correlation coefficient, ICC) для радиомических признаков с расчетом доверительных интервалов (ДИ). Статистический анализ включал критерий Манна–Уитни, корреляцию Спирмена (ρ) и ROC-анализ.

Результаты. Коэффициент воспроизводимости составил: κ=0,68 (95% ДИ 0,59–0,76) для визуальной оценки, κ=0,83 (95% ДИ 0,76-0,89) для шиарлет-преобразования, ICC=0,94 (95% ДИ 0,91-0,97) для энтропии и ICC=0,92 (95% ДИ 0,88-0,95) для гомогенности. В зонах остаточных изменений выявлены достоверное повышение энтропии (6,91±0,42 против 5,85±0,31 в сохранных участках; р<0,001) и снижение гомогенности (0,21±0,04 против 0,29±0,03; р<0,001). У пациентов с летальным исходом отмечена бимодальность распределения плотности (размах >400 HU) и нарастание энтропии >0,2 ед/сут. Снижение энтропии >0,4 ед/год ассоциировано с благоприятным ремоделированием легочной ткани (чувствительность 89%, специфичность 91%). Энтропия демонстрировала умеренную положительную корреляцию с визуальным объемом поражения (ρ=0,64; р<0,01), тогда как гомогенность коррелировала с плотностью ткани (ρ=0,81; р<0,001).

Заключение. Предложенная иерархия методов отражает эволюцию подхода к интерпретации постковидных изменений: визуальная оценка обеспечивает базовую семиотику, но ограничена субъективностью (κ<0,70), шиарлет-преобразование повышает воспроизводимость за счет улучшения восприятия структурных паттернов (κ>0,80), радиомические признаки (энтропия, гомогенность) предоставляют воспроизводимые количественные маркеры ремоделирования легочной ткани (ICC>0,90). Высокая воспроизводимость энтропии подтверждает ее потенциал как объективного прогностического критерия: стабилизация на уровне 6,5–7,0 ед. предсказывает формирование остаточных изменений, снижение <6,8 ед. – полный регресс, нарастание >7,8 ед. с бимодальностью плотности – высокий риск летального исхода. Интеграция количественных радиомических признаков в клиническую практику расширяет возможности поддержки принятия решений при анализе остаточных изменений после COVID-19.

1. Сперанская А.А., Осипов Н.П., Лыскова Ю.А., Амосова О.В. КТ-диагностика последствий COVID-19 поражения легких. Лучевая диагностика и терапия. 2021; 12(4): 58–64. https://doi.org/10.22328/2079-5343-2021-12-4-58-64.

2. Чушкин М.И., Кирюхина Л.Д., Шергина Е.А. и др. Изменения параметров функции легких у пациентов с хроническими заболеваниями легких: наблюдение до и после COVID-19. Медицинский альянс. 2024; 12(3): 30–6. https://doi.org/10.36422/23076348-2024-12-3-30-36.

3. Первушкин С.С., Зельтер П.М., Крамм Е.К., Сартакова Е.А. Сравнение уровня экспертного согласия в оценке объема поражения при COVID-19-ассоциированной пневмонии на компьютерной томографии грудной клетки. Вестник Российской академии медицинских наук. 2022; 77(2): 97–106. https://doi.org/10.15690/vramn1644.

4. Kents A, Hamad Y, Simonov K, Zotin A. Methods and models for texture analysis of lung pathological changes based on computed tomography for COVID-19 diagnosis. Int Arch Photogramm Remote Sens Spatial Inf Sci. 2021; XLIV-2/W1-2021: 99–105. https://doi.org/10.5194/isprs-archives-XLIV-2-W1-2021-99-2021.

5. Kents AS, Zotin AG, Simonov KV. Comparative analysis of laboratory and radiation methods of studies with the degree of severity of patients with COVID-19. 25th International Conference on Digital Signal Processing and its Applications (DSPA). Moscow; 2023: 1–5. https://doi.org/10.1109/DSPA57594.2023.10113394.

6. Zotin AG, Hamad Y, Simonov K, et al. Processing of CT lung images as a part of radiomics. In: Czarnowski I, Howlett R, Jain L (Eds). Intelligent decision technologies. IDT 2020. Smart Innovation, Systems and Technologies. Vol. 193. Singapore: Springer; 2020: 243–52.

7. Hosny A, Parmar C, Quackenbush J, et al. Artificial intelligence in radiology. Nat Rev Cancer. 2018; 18(8): 500–10. https://doi.org/10.1038/s41568-018-0016-5.

8. Синицын В.Е., Тюрин И.Е., Митьков В.В. Временные согласительные методические рекомендации Российского общества рентгенологов и радиологов (РОРР) и Российской ассоциации специалистов ультразвуковой диагностики в медицине (РАСУДМ) «Методы лучевой диагностики пневмонии при новой коронавирусной инфекции COVID-19» (версия 2). Вестник рентгенологии и радиологии. 2020; 101(2): 72–89. https://doi.org/10.20862/0042-4676-2020-101-2-72-89.

9. Zotin AG. Fast algorithm of image enhancement based on multi-scale retinex. Int J Reason Intell Syst. 2018; 12(2): 106–16. https://doi.org/10.1016/j.procs.2018.04.179.

10. van Griethuysen JJM, Fedorov A, Parmar C, et al. Computational radiomics system to decode the radiographic phenotype. Cancer Res. 2017; 77(21): e104–7. https://doi.org/10.1158/0008-5472.CAN-17-0339.

11. Radiopaedia. Hounsfield unit. 2024. Available at: https://radiopaedia.org/articles/hounsfield-unit (accessed 15.03.2026).

12. van Timmeren JE, Cester D, Tanadini-Lang S, et al. Radiomics in medical imaging – “how-to” guide and critical reflection. Insights Imaging. 2020; 11(1): 91. https://doi.org/10.1186/s13244-020-00887-2.

13. Lafata KJ, Zhou Z, Liu JG, et al. An exploratory radiomics approach to quantifying pulmonary function in CT images. Sci Rep. 2019; 9(1): 11509. https://doi.org/10.1038/s41598-019-48023-5.

14. Porazzi A, Zaffaroni M, Pierini VE, et al. CT-based radiomics enhance respiratory function analysis for lung SBRT. Bioengineering. 2025; 12(8): 800. https://doi.org/10.3390/bioengineering12080800.

15. Черняев А.Л., Самсонова М.В. Этиология, патогенез и патологическая анатомия диффузного альвеолярного повреждения. Общая реаниматология. 2005; 1(5): 13–6.

16. Zotin AG, Simonov K, Kapsargin F, et al. Tissue germination evaluation on implants based on shearlet transform and color coding. In: Favorskaya MN, Jain LC (Eds). Computer vision in advanced control systems-5. ISRL. Vol. 175. Cham: Springer; 2020: 265–94.

17. Кенц А.С., Хамад Ю.А., Симонов К.В., Мацулев А.Н. Текстурный анализ патологических изменений легких с использованием компьютерной томографии для диагностики COVID-19. Медицина и высокие технологии. 2021; 1: 24–40. https://doi.org/10.34219/2306-3645-2021-11-1-24-40.

18. Kumar V, Gu Y, Basu S, et al. Radiomics: the process and the challenges. Magn Reson Imaging. 2012; 30(9): 1234–48. https://doi.org/10.1016/j.mri.2012.06.010.

19. Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: extracting more information from medical images using advanced feature analysis. Eur J Cancer. 2012; 48(4): 441–6. https://doi.org/10.1016/j.ejca.2011.11.036.