20秒確診新冠肺炎！AI醫生看CT準確率達96%，將上崗百家醫院

• 2020 年 3 月 3 日
• 筆記

新智元報道

來源：柳葉刀、medrxiv

編輯：張佳、鵬飛

【新智元導讀】抗擊新冠病毒，AI大有可為。日前，醫學頂刊《柳葉刀》介紹了AI在這次抗擊疫情的過程中扮演的重要角色，除了提前預警、設計藥物外，AI正在替代醫生診斷CT影像。此外，《柳葉刀》還發文悼念李文亮醫生。「新智元急聘主筆、編輯、運營經理、客戶經理，添加HR微信（Dr-wly）或掃描文末二維碼了解詳情。」

昨天，一篇題為「COVID-19 and artificial intelligence: protecting health-care workers and curbing the spread」的新聞登上醫學頂刊《柳葉刀》，文中介紹了AI在這次抗擊疫情的過程中扮演的角色。

比如，加拿大的一個名叫BlueDot的健康監測就通過AI驅動的演算法，在12月31日就早早向其客戶發出了疫情的消息；總部位於香港的Insilico Medicine最近宣布：它的AI演算法設計了六種可以阻止病毒複製的新分子。

文章還重點介紹了AI在CT識別領域發揮的重要作用。

AI醫生20秒分析CT影像，準確率達到96%

中國不僅是這次疫情的中心，而且在利用人工智慧幫助控制COVID-19疫情方面也發揮了巨大作用。北京一家人工智慧公司Infervision使用其演算法從肺部影像上識別出COVID-19。

通過肺部CT掃描，AI可以快速檢測可能的冠狀病毒性肺炎的病變，測量其體積、形狀和密度，並從影像中比較多個肺部病變的變化，所有這些都可提供定量報告以幫助醫生快速做出判斷。「手動讀取CT掃描可能需要15分鐘，人工智慧可以在10秒鐘內完成影像讀取。」

英國劍橋大學病毒學家Velislava Petrova表示：「隨著越來越多的掃描完成，該演算法將與病毒一起學習並提高準確性。」她解釋說：「人工智慧的價值是通過在當前的COVID-19疫情等情況下減輕臨床醫生的負擔而發揮作用的。」

此外，達摩院基於5000多個病例的 CT 影像樣本數據，學習訓練樣本的病灶紋理，研發了全新的AI演算法模型，可在20秒內快速完成新冠肺炎影像的分析，分析結果準確率達96%，大幅提升診斷效率，接下來將在全國上百家醫院部署。

15000次模型訓練迭代，AI 2秒診斷COVID-19，準確率82.9％

下面再分享另一個將AI應用於篩選COVID-19的CT影像的研究。

近日，來自天津醫科大學腫瘤醫院和國家超級計算天津中心等的研究人員在medRxiv預印平台在線發表了一篇題為「A deep learning algorithm using CT images to screen for Corona Virus Disease (COVID-19)」的文章。

論文地址：

https://www.medrxiv.org/content/10.1101/2020.02.14.20023028v2

研究人員收集了453例病原體確診的COVID-19病例以及先前被診斷為典型的病毒性肺炎的CT影像，修改了Inception遷移學習模型以建立演算法，然後進行內部和外部驗證。

結果顯示，內部驗證的總準確率為82.9%，特異性為80.5%，敏感性為84%。外部測試數據集的總準確率為73.1%，特異性為67%，敏感性為74%。該演算法在影像處理單元上以每個2秒的速度執行，可以通過共享的公共平台遠程完成。

接下來新智元將為大家解讀這一研究。

訓練CNN模型提取特徵，全連接網路的分類模型訓練和多個分類器的預測

研究人員研究了包括西安交通大學第一附屬醫院，南昌大學第一醫院和西安醫學院西安第八醫院提供的99例CT影像，其中44例核酸陽性，55例核酸陰性。

深度學習演算法框架。使用改進的Inception網路隨機抽取ROI進行訓練，以提取特徵。然後，該演算法進行預測。

從44例核酸陽性選擇195個ROI，50例核酸陰性選擇258個ROI，然後建立了一個基於Inception網路的遷移學習神經網路。該網路大致分為兩部分：第一部分使用預訓練的初始網路將影像數據轉換為一維特徵向量，第二部分使用完全連接的網路，主要作用是進行分類預測。對模型訓練進行15000次迭代，總共使用236個ROI來訓練模型，並提取217個ROI進行驗證。

生成特徵後，最後一步是根據這些特徵對肺炎進行分類，使用分類器的組合來提高分類的準確性，並將決策樹和Adaboost相結合來提高效率。使用準確性，敏感性，特異性，曲線下面積（AUC），陽性預測值（PPV），陰性預測值（NPV），F1得分和Youden指數比較了分類性能。

15000次模型訓練迭代，準確率82.9％

通過兩名放射科醫生審閱這些CT影像，並繪製出總共453張代表性影像（COVID-19陰性為258張，COVID-19陽性為195張）進行分析。這些影像被隨機分為訓練集和驗證集。

COVID-19肺炎特徵的一個例子。藍色箭頭指向毛玻璃樣征，黃色箭頭指向胸膜凹陷征。

首先，我們從所有患者的影像中隨機選擇兩到三張影像進行訓練，其餘影像用於內部驗證。模型訓練已被迭代15000次，步長為0.01。訓練損失曲線如下圖所示。

為了測試模型的穩定性和泛化性，隨機選擇了237張影像（來自COVID-19陰性的118張影像和來自COVID-19陽性的119張影像）來構建模型。然後將其餘影像用於外部驗證。模型訓練已被迭代15000次，步長為0.01。訓練損耗曲線如圖3B所示。

深度學習演算法在內部驗證時得出的AUC為0.90（95％CI，0.86至0.94），在外部驗證時得出的AUC為0.78（95％CI，0.71至0.84）。AUC如下圖所示。使用最大的尤登指數閾值概率，靈敏度分別為80.5％和67.1％，特異性84.2％和76.4％，準確率為82.9％和73.1%，負預測值分別為0.88、0.81，Youden指數分別為0.69和0.44，F1得分分別為0.77和0.64。該演算法以每例2秒的速度在圖形處理單元上執行。

核酸檢測有局限，需要準確診斷疾病的快速替代方法

PUI的及時診斷和分類對於控制新興傳染病（例如當前的COVID-19）至關重要。由於基於核酸的實驗室測試的局限性，迫切需要尋找可被一線醫療人員用來快速，準確診斷疾病的快速替代方法，例如本論文使用深度學習方法，分析分類速度約為2秒，可以通過共享的公共平台遠程完成，進一步開發該系統可以大大縮短疾病控制的診斷時間。

未來，研究人員打算將CT影像的分層特徵與其他因素（例如遺傳，流行病學和臨床資訊）的特徵鏈接起來，以進行多模型分析以增強診斷能力。

繼《經濟學人》後，《柳葉刀》發文悼念李文亮

2月18日，《柳葉刀》發表訃告，悼念去世的李文亮醫生。而就在前不久，《經濟學人》也為李文亮醫生髮了一篇訃告，題為「The man who knew」。或許，連李醫生自己也不會想到，他會以這樣的方式登上頂刊。

李文亮在武漢大學學習臨床醫學，2014年在武漢市中心醫院擔任眼科醫生。該醫院一直是COVID-19爆發中心的醫療機構之一。他在看到七名患有非典型肺炎癥狀的患者後立即發出了警報。

約翰·霍普金斯大學彭博學院健康安全中心主任Tom Inglesby說：「對於致命的、全新暴發的疾病，世界上最重要的預警系統之一就是醫生或護士意識到正在出現某種新疾病，然後發出警報。即使在最好的情況下，也需要智慧和勇氣來站出來。」

在與武漢工作的中國科學院院士喬傑正告訴《柳葉刀》：「我為所有為抗擊這種新興傳染病而死去的醫生深表哀悼，特別是李文亮博士。我們為他對患者的奉獻精神感到鼓舞，我們將繼續與該病毒作鬥爭，以最終勝利安慰死者。」

全文地址：

https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(20)30382-2/fulltext#%20