自 2019 年 12 月起，严重急性呼吸系统综合症冠状病毒 2（SARS-COV-2，也被称为 2019-nCov）引起的非典型和人与人之间传播的肺炎在湖北武汉爆发，进而蔓延到全国，现在已引起全球关注。新型冠状病毒肺炎（NCP，也被称为 COVID-19）传染性强，症状与普通流感症状类似，所以能否快速准确地鉴别诊断 NCP 是控制此次疫情的关键。在 NCP 疫情爆发早期，由于确诊病例样本量少，核酸检测作为病原学证据被公认为 NCP 的主要参考标准。随着临床确定病例资料的累积，NCP 的 CT 影像特征逐渐清晰，在国家卫建委公布的第五版诊疗方案，临床诊断无需依赖核酸检测结构，CT 影像临床诊断结果可作为 NCP 诊断的标准。但是，一名 NCP 患者的 CT 影像大概有 300 张左右，医生对一个病例的 CT 影像肉眼判读耗时大约为 5-15 分钟，这给临床医生诊断带来巨大的压力。利用人工智能（AI）技术对 CT 影像进行智能检测和诊断，是一个非常好的解决方案。广大医务人员在积极参与患者救治的同时，也在积极和国内的超级计算机中心、高校以及互联网公司展开 AI+CT 快速诊断 NCP 科研探索，取得了一些创新性和突破性的研究成果。接下来，我们会定期对此领域突破性的研究进行解读和分享。本期是关于 AI 技术结合 CT 快速精准诊断 COVID-19 第三篇研究。这篇研究是由武汉大学人民医院联合武汉 EndoAngel 医疗科技公司以及中国地质大学等多家单位共同做的，并发布在 medRxiv 平台上。
Deep learning-based model for detecting 2019 novel coronavirus pneumonia on high-resolution computed tomography: a prospective study
（基于深度学习在高分辨率计算机断层扫描上检测新型冠状病毒性肺炎算法模型的前瞻性研究）
Jun Chen, Lianlian Wu, Jun Zhang, et al.
研究背景（Background）
计算机断层扫描（CT）是诊断新型冠状病毒（COVID-19）肺炎的首选成像方法。本研究的目的是构建一个基于深度学习的系统，利用高分辨率 CT 图像检测 COVID-19 肺炎，减轻放射科医生的工作压力，并有助于控制此病的流行。
研究方法（Methods）
为了构建和验证此模型，本研究回顾性收集和处理了武汉大学人民医院（湖北省武汉市）的 106 例住院患者的 46,096 张匿名图像，包括 51 例实验室确诊的 COVID-19 肺炎患者和 55 例其他疾病的对照患者。本研究还前瞻性收集了 2020 年 2 月 5 日在武汉大学人民医院接受 CT 扫描的 27 例患者，以评估和比较该模型相对于放射科医生对 2019-COVID 的诊断效率
研究发现（Findings）
研究发现该模型对每位患者检测的灵敏度为 100%，特异度为 93.55%，准确性为 95.24%，PPV 为 84.62%，NPV 为 100%；在回顾性测试数据集中，对每幅图像检测的灵敏度为 94.34%，特异度为 99.16%，准确性为 98.85%，阳性预测率（PPV）为 88.37%，阴性预测率（NPV）为 99.61%。对于前瞻性收集的 28 位患者，该模型的表现可与放射线专家相媲美。借助该模型，放射科医生阅片花费的时间大大减少了 65%。
结论（Conclusions）
本研究开发的基于深度学习的模型显示了与放射科专家相当的性能，并极大地提高了放射科医生在临床实践中的效率。此系统具有缓解一线放射科医生压力，提高早期诊断，优化隔离和治疗效果的巨大潜力，从而有助于控制 2019-COVID 的流行。
研究过程
为了建立可以快速准确鉴别诊断 COVID-19 的模型，本研究共收集了来自武汉大学人民医院的 51 例确诊 COVID-19 肺炎患者和 55 例其他疾病的对照患者 CT 图像总计 46096 张。经核查，过滤掉 10741 张没有清晰肺视野的图像。随机间隔选出来自 40 例于 COVID-19 肺炎患者的非连续的 691 张 CT 图像，并且 COVID-19 肺炎 CT 图像的病灶由 3 位具有 5 年以上临床经验的放射科医生标记，另外选出来自 24 例对照组患者的非连续的 300 张 CT 图像，以上这些被选出来的 CT 图像构成训练数据集。另外选出来自其余 11 例于 COVID-19 肺炎患者的 636 张 CT 图像和其余 31 例对照组患者 9396 张 CT 图像作为测试数据集（回顾性）。还有前瞻性收集的 27 例 COVID-19 患者 CT 图像，其中 16 例 COVID-19 患者（包含 8172 张 CT 图像）由三位放射科医生准确诊断，另外 11 例 COVID-19 患者（5739 张 CT 图像）没有被放射科医生诊断出来。这 27 例 COVID-19 患者作为前瞻性测试数据集验证本研究开发的模型。整个研究的技术路线图如下 Figure 1。
本研究算法模型训练的过程包括：
① 首先使用随机选择的 289 张 CT 图像，并由研究者提取包含有效区域的最小正方形，用这些有效区域对 UNet++进行训练，另外随机选择 600 张 CT 图像对训练后的 UNet++进行检验，准确性 100%；
② 将训练数据集的 CT 图像（包含 40 例 COVID-19 肺炎患者的非连续的 691 张 CT 图像和 24 例对照组患者的非连续的 300 张 CT 图像）以原始 CT 扫描图像作为输入，分辨率为 512×512，并使用专家标记的图像作为输出，使用 UNet ++在图像水平对 Keras 进行训练。可疑区域是根据置信截止值预测的值为 0.50，预测框像素为 25 以上；
③ 训练的模型处理和预测过程如 Figure 3：首先将原始图像输入到模型中，然后在对模型进行处理后，输出构成可疑病变的预测框。进一步提取有效区域，并过滤掉不必要的区域，以避免可能的错误识别。为了检测患者，添加了连续图像的预测结果的逻辑关系：上面预测结果的 CT 图像被分为四个象限，并且仅当被预测三个连续图像在同一象限中有病变时才输出结果。
Figure 1: Workflow diagram for the development and evaluation of the model for detecting
Figure 3. Processing and prediction schematic of the model
最终训练的结果
本研究研究发现该模型在回顾性测试数据集里面，对每位患者检测的灵敏度为 100%，特异度为 93.55%，准确性为 95.24%，PPV 为 84.62%，NPV 为 100%；对每幅图像检测的灵敏度为 94.34%，特异度为 99.16%，准确性为 98.85%，PPV 为 88.37%，NPV 为 99.61%。在前瞻性测试数据集里，对每位患者检测的灵敏度为 100%，特异度为 81.82%，准确性为 92.59%，PPV 为 88.89%，NPV 为 100%，该模型的表现可与放射线专家相媲美。而且借助该模型，放射科医生阅片花费的时间大大减少了 65%。Table 3 显示深度学习算法模型在测试数据集中的检验结果。
Table 3. The performance of the deep learning model on both retrospective and prospective
医学点评
由于基于核酸的实验室检测 COVID-19 的局限性，迫切需要寻找能够被一线医护人员用于迅速地、准确地诊断该疾病的替代方法。计算机断层扫描（CT）是诊断 2 新型冠状病毒（COVID-19）肺炎的首选成像方法。本研究就是基于深度学习算法结合 CT 图像，构建快速精准诊断 COVID-19 的模型，该模型基于 UNet++算法，通过测试与对比，该模型能够有效地辅助放射科医生快速准确地诊断 COVID-19，比人工检测时间节约了 65%。本研究开发的诊断系统能够在一定程度缓解一线放射科医生压力，提高早期诊断效率，优化隔离和治疗效果，从而有助于控制 2019-COVID 的流行。
注：大家可以通过访问网站，免费使用此诊断系统。
注：正文中 Figure 1, Figure 3, Table 3 均摘自原文。
参考文献：
Jun Chen, Lianlian Wu, Jun Zhang, et al. Deep learning-based model for detecting 2019 novel coronavirus pneumonia on high-resolution computed tomography: a prospective study | medRxiv. doi: https://doi.org/10.1101/2020.02.25.20021568 February 25, 2020.