為了控制COVID-19的傳播，優(yōu)先檢查大量可疑病例以進行適當?shù)母綦x和治療措施。致病性實驗室檢測是診斷的一大標準，但往往耗時且假陽性結果顯著。因此，迫切需要快速、準確的診斷方法來對抗這種疾病。

a

　　2月17日，天津醫(yī)科大學附屬腫瘤醫(yī)院徐波教授團隊及國家超級計算機天津中心的研究團隊在medRxiv預印本平臺上發(fā)表的文章中，介紹了雙方合作研發(fā)的一個利用CT圖像輔助診斷新型冠狀病毒肺炎的人工智能模型。該模型鑒別新冠肺炎與其他病毒性肺炎的總準確度可達83%，且快速高效。

　　值得一提的是，這是第一項將人工智能技術應用于CT圖像以有效篩查COVID-19的研究，每例病例的時間約為2秒，并且可以通過共享的公共平臺進行遠程操作。

　　文章中透露，根據(jù)CT圖像中COVID-19的射線照相變化，研究人員們假設深度學習方法可能能夠提取COVID-19的圖形特征并在病原體檢測之前提供臨床診斷，從而節(jié)省了控制疾病的關鍵時間。

　　研究人員修改了Inception遷移學習模型以建立算法，然后進行內(nèi)部和外部驗證。結果顯示：內(nèi)部驗證的總準確度為82.9%，特異性為80.5%，靈敏度為84%。外部測試數(shù)據(jù)集顯示總準確性為73.1%，特異性為67%，靈敏度為74%。

　　圖1. 顯示了具體的深度學習算法框架。使用修改后的Inception網(wǎng)絡隨機抽取ROI進行訓練，以提取特征。 然后，該算法進行預測。

　　這些結果為使用人工智能提取放射學特征以進行及時準確的COVID-19診斷提供了原理證明。

　　根據(jù)成像模式，有許多特征可識別病毒病原體，這些特征與它們的特定發(fā)病機理有關，COVID-19的標志是斑塊狀陰影和毛玻璃不透明的雙邊分布。

　　具體來看，研究人員收集了453例病原體確診的COVID-19病例和先前診斷為典型病毒性肺炎的CT圖像，修改了Inception遷移學習模型以建立算法，然后進行內(nèi)部和外部驗證。

　　他們回顧性地納入了99例患者，其中研究入組對象列包括55例經(jīng)診斷的典型病毒性肺炎，發(fā)病在COVID-19爆發(fā)之前。這些患者被稱為COVID-19陰性。其他44例來自三家經(jīng)確認具有SARS-COV-2核酸檢測結果的醫(yī)院，因此稱為COVID-19陽性。之后，他們要求兩名放射科醫(yī)生檢查圖像并總共繪制了453張代表性圖片(258張為COVID-19陰性，195為COVID-19陽性)進行分析。這些圖像被隨機分割分為訓練集和驗證集。

　　圖2. COVID-19肺炎特征的一個案例。藍色箭頭指向毛玻璃樣的不透明度，黃色箭頭指向胸膜壓痕。

　　研究人員們指出，該模型已經(jīng)模型訓練已經(jīng)進行15,000次迭代，雖然目前還存在一些局限性，未來他們講可以通過把CT圖像的分層特征與其他因素(例如遺傳、流行病學和臨床信息)的特征鏈接起來，進行進一步的優(yōu)化和測試，提高準確性、特異性和敏感性，該平臺可以用于輔助臨床診斷，為COVID-19疾病控制做出貢獻。

上一篇：新式CT效力疫情 科技再獲豐績

下一篇：儀器送檢后如何進行確認，確認記...