为了控制COVID-19的传播，优先检查大量可疑病例以进行适当的隔离和治疗措施。致病性实验室检测是诊断的一大标准，但往往耗时且假阳性结果显著。因此，迫切需要快速、准确的诊断方法来对抗这种疾病。
a
2月17日，天津医科大学附属肿瘤医院徐波教授团队及国家超级计算机天津中心的研究团队在medRxiv预印本平台上发表的文章中，介绍了双方合作研发的一个利用CT图像辅助诊断新型冠状病毒肺炎的人工智能模型。该模型鉴别新冠肺炎与其他病毒性肺炎的总准确度可达83%，且快速高效。
值得一提的是，这是第一项将人工智能技术应用于CT图像以有效筛查COVID-19的研究，每例病例的时间约为2秒，并且可以通过共享的公共平台进行远程操作。
文章中透露，根据CT图像中COVID-19的射线照相变化，研究人员们假设深度学习方法可能能够提取COVID-19的图形特征并在病原体检测之前提供临床诊断，从而节省了控制疾病的关键时间。
研究人员修改了Inception迁移学习模型以建立算法，然后进行内部和外部验证。结果显示：内部验证的总准确度为82.9%，特异性为80.5%，灵敏度为84%。外部测试数据集显示总准确性为73.1%，特异性为67%，灵敏度为74%。
图1. 显示了具体的深度学习算法框架。使用修改后的Inception网络随机抽取ROI进行训练，以提取特征。 然后，该算法进行预测。
这些结果为使用人工智能提取放射学特征以进行及时准确的COVID-19诊断提供了原理证明。
根据成像模式，有许多特征可识别病毒病原体，这些特征与它们的特定发病机理有关，COVID-19的标志是斑块状阴影和毛玻璃不透明的双边分布。
具体来看，研究人员收集了453例病原体确诊的COVID-19病例和先前诊断为典型病毒性肺炎的CT图像，修改了Inception迁移学习模型以建立算法，然后进行内部和外部验证。
他们回顾性地纳入了99例患者，其中研究入组对象列包括55例经诊断的典型病毒性肺炎，发病在COVID-19爆发之前。这些患者被称为COVID-19阴性。其他44例来自三家经确认具有SARS-COV-2核酸检测结果的医院，因此称为COVID-19阳性。之后，他们要求两名放射科医生检查图像并总共绘制了453张代表性图片(258张为COVID-19阴性，195为COVID-19阳性)进行分析。这些图像被随机分割分为训练集和验证集。
图2. COVID-19肺炎特征的一个案例。蓝色箭头指向毛玻璃样的不透明度，黄色箭头指向胸膜压痕。
研究人员们指出，该模型已经模型训练已经进行15,000次迭代，虽然目前还存在一些局限性，未来他们讲可以通过把CT图像的分层特征与其他因素(例如遗传、流行病学和临床信息)的特征链接起来，进行进一步的优化和测试，提高准确性、特异性和敏感性，该平台可以用于辅助临床诊断，为COVID-19疾病控制做出贡献。
上一篇：新式CT效力疫情 科技再获丰绩
8
449717568