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，并登陆医院、医院医院。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《ArtificialIntelligenceDistinguishesCOVID-19fromCommunityAcquiredPneumoniaonChestCT》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。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医院位患者，总计次三维胸部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名患者，总计项三维胸部CT检查影像的数据集。这些患者的平均年龄为49±15岁，其中男性名，女性名。在这个数据集中，感染COVID-19的患者影像有例（30%，均通过RT-PCR检查确认为阳性）；感染社区获得性肺炎（CAP）的患者影像例（40%）；非肺炎的患者影像例（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。为了减少实验出现偏差的可能性，这些数据医院，同时将收录时间控制于年8月16日至年2月17日，其中COVID-19部分仅使用采集于年12月31日至年2月17日间的数据。医院使用的CT设备厂家存在差异，所以本次实验所用的影像均从DICOM文件导出，所有CT切片厚度控制在0.5mm至3mm之间，图像矩阵大小为*，图像分辨率大小在0.29*0.29mm2到0.98*0.98mm2之间。Fig.1：算法流程图Fig.1是本论文算法的整体流程图，主要包含四个步骤：第一步，模型训练和测试数据库的构建。按照上述数据介绍进行处理。第二步，是数据集的预处理，包含数据增广和肺部区域的分割。本论文采用基于U-Net架构的网络进行肺部区域的分割，以便去除非肺区域对后续检测算法的影响。第三步，将预处理后的数据集输入到COVNet网络进行深度学习算法的训练。第四步，对独立测试集进行预处理(肺部区域提取)，输入到第三步中训练好的COVNet模型中进行预测分类。科亚医疗将这个用于检测COVID-19的3D深度学习框架命名为COVNet。这一卷积神经网络以Resnet50为主干，能够从输入CT影像中同时提取2D局部和3D全局代表性特征图（如Fig.2）。COVNet使用最大池化层和全连接层来综合分析这些特征图，最终产生每种类型（COVID-19，CAP和非肺炎）的概率评分。Fig.2:新冠肺炎检测神经网络COVNet框架图COVID-19：新冠肺炎；CAP：社区获得性肺炎；Non-Pneumonia：其他非肺炎统计与结果统计数据显示，将COVNet应用在工作站（GPUNVIDIAQuadroMGB，RAM16GB和IntelXeonProcessorE5-v4

3.5GHz）上，每次CT检查肺炎预测所耗费的平均时间为4.51秒，远远快于医生单个CT影像组阅片速度。而在检测准确度方面，算法对于COVID-19检测的灵敏度和特异性为90％与96％；对于CAP检测的灵敏度和特异性为87％与92％；而对于非肺炎影像，算法的灵敏度和特异性为94%与96%。检测结果详见Table1。Table1:深度学习框架COVNet在独立测试为了提高模型的可解释性，科亚医疗采用梯度加权类激活映射（Grad-CAM）方法，实现推动深度学习模型决策重要区域的可视化。以下三张图片(Fig.3a,Fig.3b,Fig.3c)分别以区域热图的方式展示了COVID-19、CAP与非肺炎三种情况之下，引导深度学习算法作出决策的区域。通过这种方式，我们能够很轻易地了解深度学习

转载请注明:http://www.roikv.com//mjccwh/14556.html