CT诊断新冠肺炎人工智能模型成功建立 总准确度可达83%

快速、准确地筛查大量肺炎症状的病例，以采取适当的隔离和治疗措施，是控制新冠肺炎传播的重点。实验室核酸检测是诊断的金标准，但由于其耗时且容易假阳性，有时也需要结合计算机断层扫描（CT）作为诊断工具。

2月17日，天津医科大学附属肿瘤医院徐波教授团队及国家超级计算机天津中心的研究团队在medRxiv预印本平台上发表的文章中，介绍了双方合作研发的一个利用CT图像辅助诊断新型冠状病毒肺炎的人工智能模型。该模型鉴别新冠肺炎与其他病毒性肺炎的总准确度可达83%，且快速高效。

根据成像模式，有许多特征可识别病毒病原体，这些特征与它们的特定发病机理有关，COVID-19的标志是斑块状阴影和毛玻璃不透明的双边分布。基于此，研究人员收集了453例病原体确诊的COVID-19病例和先前诊断为典型病毒性肺炎的CT图像，修改了Inception迁移学习模型以建立算法，然后进行内部和外部验证。内部验证的总准确度为82.9％，特异性为80.5％，灵敏度为84％；外部测试数据集显示总准确性为73.1％，特异性为67％，灵敏度为74％。这些结果证明了使用人工智能提取放射学特征以进行及时准确的COVID-19诊断的原理。

深度学习算法框架

这是第一项将人工智能技术应用于CT图像以有效筛查COVID-19的研究，每例病例的时间约为2秒，并且可以通过共享的公共平台进行远程操作。尽管目前还存在一些局限性，研究人员相信通过将CT图像的分层特征与其他因素（例如遗传、流行病学和临床信息）的特征链接起来，进行进一步的优化和测试，提高准确性、特异性和敏感性，该平台可以用于辅助临床诊断，为COVID-19疾病控制做出贡献。

模型效果图：