『肺炎』深度学习判别新冠肺炎准确率达九成，《Radiology》收录研究成果 |人工智能|算法|深度学习|

从武汉封城记起，仅仅一周后，各家企业针对新冠肺炎开发的肺部人工智能辅助算法便陆续研发完毕，并登陆了包含武汉市中心医院、武汉协和医院在内的最前线医院。
但从功能上来说，在疫情之中，许多AI的职能更多在于帮助医生审阅来自患者的CT影像，捕获其肺部的异常区域，但难以进一步区分肺炎患者究竟是患的哪一类肺炎。
这是一个非常有趣的问题，它关乎到影像学能以怎样的能力为人类发现如新冠这样的传染病。过去已有研究人员将深度学习用于处理小儿胸部X光片，其结果正是这项技术可用于检测和区分感染细菌性和病毒性肺炎的儿童。而在CT领域，尚无学者对相关问题拿出大样本有效性研究的试验结果和高质量论文。
从这个问题出发，许多学者开始了自己的研究，有的尝试从肺段入手，借助不同肺炎的肺段参数差异判断肺炎的种类；有的尝试联合病原学，将病原学结果与影像结果一一对应……近日，一篇完全基于肺部CT影像的深度学习判别新冠肺炎的论文《Artificial Intelligence Distinguishes COVID-19 from Community Acquired Pneumonia on Chest CT》被国际顶级放射学期刊《Radiology》所接收，这篇文章使用的算法似乎在寻觅新冠肺炎的CT影像学特征方面找到了窍门。
简单地说，这一研究是一次针对于新冠肺炎患者CT影像的回顾性研究，研究人员构建了一种特定的3D检测神经网络，并将其用于检测4356例CT数据。结果显示，该算法对新冠肺炎的鉴别灵敏度和特异性分别高达89.76％和95.77％，受试者工作特征(ROC)曲线下面积(AUC)为0.96 。
这篇论文由医疗AI影像企业科亚医疗携手国内六家医院共同研究发表。科亚医疗是国内首个人工智能三类医疗器械注册证获证企业，一直专注于大数据和人工智能技术在医疗领域的落地应用，其获证产品“深脉分数”更是获得了国家药监局“具有重大的经济效益和社会价值“的定调评价。与国内外同类CTFFR产品相比， “深脉分数”各项指标均处于国际领先水平。
科亚医疗告诉动脉网：“本篇论文的意义在于首次使用基于深度学习的技术，对胸部CT影像进行新冠肺炎(COVID-19),社区获得性肺炎(CAP),及非肺炎(Non-pneumonnia)的三分类研究，并获得了令人兴奋的结果。在这之前，有学者进行了在二维X-ray胸片上肺炎分类的研究，而在三维CT肺部图像上肺炎的分类还是空白。而此次在全国乃至全球抗击新冠肺炎时期，我们科亚医疗构建的深度学习神经网络COVNet,从肺部CT中提取各类影像特征用于鉴别新冠肺炎，并且通过热力图的方式对模型做出决策的重要区域进行可视化，来说明模型识别的关键病变区域。
通过多中心医院的数据验证， COVNet网络模型对COVID-19 ， CAP和非肺炎的检测都有较高的灵敏度和特异性。而对COVID-19的检测， ROC下曲线面积高达0.96. 本论文开启了基于深度学习技术的肺部CT影像肺炎多种类分类的研究，对像COVID-19 ， SARS ， MERS等传染性肺炎，提供了一种快速AI影像筛查方式的思路，希望能为全球抗击新冠肺炎抛砖引玉。 ”
实验设计与模型建立
本次研究采集了来自六家医院3506位患者，总计4536次三维胸部CT检查影像。在排除造影CT检查与单张切片厚度大于3mm的检查后，研究构建了一个包含3322名患者，总计4356项三维胸部CT检查影像的数据集。这些患者的平均年龄为49±15岁，其中男性1838名，女性1484名。在这个数据集中，感染COVID-19的患者影像有1296例（30% ，均通过RT-PCR检查确认为阳性）；感染社区获得性肺炎（CAP）的患者影像1735例（40%）；非肺炎的患者影像1325例（30%）。
所有检查数据均按9：1的比例随机分为患者的训练集和独立测试集。然后将训练数据集进一步按9:1的比例拆分用以训练模型和内部验证。独立测试集未用于训练和内部验证。