快速、準(zhǔn)確地篩查大量肺炎癥狀的病例，以采取適當(dāng)?shù)母綦x和治療措施，是控制新冠肺炎傳播的重點(diǎn)。實(shí)驗(yàn)室核酸檢測是診斷的金標(biāo)準(zhǔn)，但由于其耗時且容易假陽性，有時也需要結(jié)合計算機(jī)斷層掃描(CT)作為診斷工具。

2月17日，天津醫(yī)科大學(xué)附屬腫瘤醫(yī)院徐波教授團(tuán)隊及國家超級計算機(jī)天津中心的研究團(tuán)隊在medRxiv預(yù)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(zhǔn)確度可達(dá)83%，且快速高效。

https://doi.org/10.1101/2020.02.14.20023028

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(jī)理有關(guān)，COVID-19的標(biāo)志是斑塊狀陰影和毛玻璃不透明的雙邊分布。基于此，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(xué)習(xí)模型以建立算法，然后進(jìn)行內(nèi)部和外部驗(yàn)證。內(nèi)部驗(yàn)證的總準(zhǔn)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(zhǔn)確性為73.1%，特異性為67%，靈敏度為74%。這些結(jié)果證明了使用人工智能提取放射學(xué)特征以進(jìn)行及時準(zhǔn)確的COVID-19診斷的原理。

深度學(xué)習(xí)算法框架　　這是第一項(xiàng)將人工智能技術(shù)應(yīng)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(jìn)行遠(yuǎn)程操作。盡管目前還存在一些局限性，研究人員相信通過將CT圖像的分層特征與其他因素(例如遺傳、流行病學(xué)和臨床信息)的特征鏈接起來，進(jìn)行進(jìn)一步的優(yōu)化和測試，提高準(zhǔn)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(xiàn)。

模型效果圖：

End

參考資料：

[1] A deep learning algorithm using CT images to screen for Corona Virus Disease (COVID-19)

[2] 徐波教授團(tuán)隊聯(lián)合國家超算中心成功建立新冠肺炎輔助診斷人工智能模型