三维全息图与混合现实技术以提高对COVID-19引起的肺部病变的了解:随机对照试验

简介

COVID-19疫情现已成为大流行[1］．它对全球公共卫生产生了严重的不利影响[2］．许多医生都在抗击疫情的第一线，包括整形外科医生、普外科医生和神经外科医生。二维计算机断层扫描(CT)需要医疗专业人员具有高度的空间想象力，传统上一直用于确定肺部感染的状态[3.，4］．通常，判断COVID-19引起的肺部病变的具体情况需要有经验的呼吸系统、放射科、传染病和重症监护科专家的专业知识。不是专门研究呼吸相关病例的医生，更不用说医科学生和公众，可能很难理解2D CT扫描的临床意义。

在抗击新冠肺炎疫情中，医生和公众都发挥了至关重要的作用。医生治疗COVID-19患者并直接对抗病毒。公众的自我保护和隔离努力有助于阻止病毒的传播。然而，仍有许多公众不了解必要的保护措施。此外，医学生是抗击新冠病毒的接班人，对他们来说，更好地了解新冠病毒非常重要。其他国家可能也会遇到这种困境。

混合现实技术可以重叠虚拟世界和现实世界。用户可以在操作设备生成的数字内容的同时查看真实世界[5］．混合现实已用于临床，以帮助医生更好地理解解剖结构[6-8］．然而，使用3D全息图像对受COVID-19影响的肺部成像的文献尚未报道。因此，我们提出了一种新的方法，应用混合现实技术来创建受COVID-19影响的肺部三维全息图。

方法

试验设计

本研究为平行组随机对照试验。调查于2020年3月至2020年9月在中国武汉进行。受试者按1:1的比例随机分为两组:(1)3D全息干预组和(2)2D CT对照组。

参加者及招聘

我们从我们的机构中随机选择放射科医生、外科医生和医科学生，让他们参与这项研究。放射科医生、外科医生和医科学生如果之前没有见过受COVID-19影响的肺部3D全息图，就有资格参加这项试验。这项研究有60名参与者，包括20名放射科医生、20名外科医生和20名医科学生。三组均随机分为两组:(1)二维CT组和(2)三维全息组(图S1)多媒体附件1)．排除标准如下:接受过COVID-19肺部CT成像培训的外科医生和医科学生，以及之前看过COVID-19肺部3D全息图的参与者。

干预

在本研究中，使用StarCloud工作站(Visual3D的3D重建软件)的CT扫描数据对患者的肺部进行了3D重建。从StarCloud工作站导出多边形网格文件。这些被上传到StarCloud混合现实系统(Visual3D)。上传数据后，3D全息图像自动转换为混合现实的特定案例计算机图形，称为全息图。有关全息图的数据可以下载到微软HoloLens(微软公司)上。

两组完成了相同的任务，包括使用2D CT或3D肺部全息图确定6例COVID-19患者肺部的病变区域。用于研究的6例COVID-19病例涉及中至重度COVID-19(表S1)多媒体附件1)．

评估

一位独立的放射学教授给参与者的表现打分(满分100分)。两组的所有参与者都完成了一份关于3D全息图的教育效用和效率的李克特量表问卷。所有参与者都完成了美国国家航空航天局任务负荷指数(NASA-TLX)。NASA-TLX是一个多维评分程序，根据6个分量表的评分加权平均，提供0到100之间的总工作量得分[9:(1)精神需求(“这项任务对精神的要求有多高?”)，(2)身体需求(“这项任务对身体的要求有多高?”)，(3)时间需求(“这项任务的节奏有多匆忙?”)，(4)自身表现(“你完成这项任务有多成功?”)，(5)努力程度(“你为了达到你的表现水平付出了多少努力?”)，(6)挫败感(“你有多不安全、气馁、恼怒、压力和烦恼?”)。本研究获得华中科技大学同济医学院武汉协和医院伦理委员会批准，所有受试者均提供签署的知情同意书。

统计分析

使用SPSS(19版本;IBM公司)。连续变量用均值和标准差表示。NASA-TLX问卷的结果以均数和标准差进行总结。使用方差分析对数据进行处理，以确定个体特征与工作量之间的可能关系。

结果

样本特征

参与者基线特征描述在表1．这项研究有60名参与者，包括20名放射科医生、20名外科医生和20名医科学生。三组均随机分为两组:(1)二维CT组(n=30;平均年龄29岁[范围19-38岁];男性20例，3D全息组30例;平均年龄30岁[范围20-38岁];男性= 20;图S1多媒体附件1)．

结果

获得了COVID-19患者肺部清晰的3D视觉全息效果图(图1)．在3D全息(混合现实)组中，所有参与者(平均91.98,SD 2.45)、放射科医生(平均93.60,SD 2.25)、外科医生(平均91.50,SD 2.31)和医科学生(平均91.25,SD 2.18)的任务得分显著高于常规(2D)组(所有参与者:平均74.09,SD 7.59;放射科医生:平均82.63，标准差2.28;外科医生:平均74.55，标准差2.52;医学生:平均65.10，标准差65.10;P<措施)。在3D全息图的帮助下，外科医生和医科学生取得了与放射科医生相同的分数，并在识别COVID-19引起的肺部病变方面取得了明显进展(图2，表2)．李克特量表调查显示，3D全息影像组较2D CT组有较好的效果(教学:2D CT组中位分2分，IQR中位分1-2分，3D组中位分5分，IQR 5-5分;P<措施;理解与沟通:2D CT组中位分1分，IQR -1, 3D组中位分5分，IQR -5分;P<措施;兴趣增加:2D CT组中位数评分为2,IQR为2-2,3D组中位数评分为5,IQR为5-5;P<措施;降低学习曲线:2D CT组中位数评分2,IQR评分1-2,3D组中位数评分4,IQR评分4-5;P<措施;空间意识:2D CT组中位数评分2,IQR评分1-2,3D组中位数评分5,IQR评分5-5;P<措施;学习:2D CT组中位数评分3,IQR 2-3, 3D组中位数评分5,IQR 5-5;P<措施;图3，表2)．

在NASA-TLX量表的“精神”、“时间”、“表现”和“挫败感”分量表上，3D全息图组的得分明显低于2D CT组。与传统的2D组相比，3D全息图组报告了更高的身体要求。主要原因是参与者需要戴上混合现实头盔，但混合现实眼镜的重量是可以接受的(图4，表2)．

‎ 查看此图

‎ 查看此图

‎ 查看此图

‎ 查看此图

讨论

一种混合现实技术的3D全息图可以帮助医疗专业人员，特别是医科学生和新聘用的医生，更好地识别COVID-19引起的肺部病变。它可以在医学教育中用于增加兴趣，提高理解能力，提高空间意识，降低学习曲线。

COVID-19患者肺部CT扫描显示斑片状纯磨玻璃影(图1A).我们使用混合现实技术对患者的肺部进行可视化，该技术可以将肺部的2D CT图像转换为3D全息图(图1B)清晰显示患者肺部感染的病变部位和病变范围(绿色)，可在物理世界中360度立体观察。相反，标准的2D CT通常只能看到肺某一层的局部区域。3D全息图还可以同时分析2D和3D图像(图1C).由于三维全息图可以清晰地显示空间解剖邻域，不需要人脑在心理上将复杂的二维结构转化为完整的三维结构。本研究结果显示，3D全息图组与传统2D CT组相比，“精神”、“时间”和“挫折”分量表的任务负荷明显降低，获得了更好的表现。因此，本研究可帮助刚开始执业、从事非呼吸系统专业或呼吸系统专业的医生更好地识别和理解新冠肺炎引起的肺部病变。此外，这可以提高医学生对新冠病毒的了解，因为他们是抗击新冠病毒的接班人。

这种图像重建和呈现的技术也可应用于全身其他解剖系统(图5)．它可以有助于更好地理解医学和非医学个体的正常和异常的身体结构，在未来的医学教育中使用时，对医科学生尤其有用。此外，与传统的3D解剖图不同，混合现实技术允许多人在教学过程中360度观看同一3D全息图。

‎ 查看此图

新冠肺炎疫情也给解剖学教育带来了挑战[10］．尸体标本是过去解剖课的标准学习方法[11］．然而，大量的财务、伦理和监管限制了它们的使用，以及尸体标本的短缺是教学院校和大学一直面临的问题[12];此外，在COVID-19流行期间，使用尸体标本具有病毒传播的潜在风险[10，13］．数字解剖成像是使用尸体标本的一种可行的替代解决方案，它更直观、更容易获得、更干净、更有趣、更便宜。

虽然本研究显示了有希望的结果，但未来还需要在更多的机构、人群和地点进行进一步的研究。

综上所述，混合现实技术的3D全息图可以更好地了解新冠肺炎引起的肺部病变，将在未来的医学教育中发挥重要作用。