0
| 本文作者： 蔣寶尚 | 2020-03-16 15:56 |
截止到3月16日，新冠肺炎全國累計確診81078例，國外累計確診85133例，國外確診超國內(nèi)，COVID-19全球流行已經(jīng)是不爭的事實。
在這場沒有硝煙的戰(zhàn)場，看不見的戰(zhàn)火的殺傷力遠比赤身肉搏打仗更讓人印象深刻，比如新冠肺炎COVID-19偽裝能力極強，處在一線戰(zhàn)場的醫(yī)生很難“一眼”將其和流感準確區(qū)分。
首先流感和COVID-19都具有傳染性，都會導致呼吸道疾病。典型流感癥狀包括發(fā)熱，咳嗽，喉嚨腫痛，四肢酸痛，頭疼，流鼻涕，鼻塞，疲勞，以及嘔吐和腹瀉；而新冠肺炎最常見癥狀是發(fā)熱，咳嗽和氣短，且有5%的患者喉嚨腫痛，1-2%的患者會出現(xiàn)腹瀉，惡心和嘔吐。
也就是說，呼吸道病毒會導致相似癥狀，因此很難通過癥狀本身區(qū)分COVID-19和流感。
（雷鋒網(wǎng)）
能不能從AI的角度來幫助醫(yī)生找出COVID-19與普通流感的區(qū)別？來自世界各地的計算機科學家和機器學習研究人員正在從自己的專業(yè)入手，對一些數(shù)據(jù)集進行編譯，并構建AI算法來優(yōu)化肺炎檢測。例如，在數(shù)據(jù)科學競賽平臺Kaggle上面，已經(jīng)有了一個COVID-19病例數(shù)據(jù)集，數(shù)據(jù)每天更新，內(nèi)容包括患者年齡、患者居住地、何時出現(xiàn)癥狀、何時暴露、何時進入醫(yī)院等等。
（雷鋒網(wǎng)）文末給出地址
在CT掃描圖方面，也有學者從該疾病的公開研究中提取了可用于分析的幾十張圖片，包括CT掃描和胸部X射線圖像......具體到深度學習算法層面，這些計算機研究員也在為區(qū)分流感和COVID-19做了一些努力。在下面的幾個研究中，AI研究人員與專業(yè)醫(yī)師聯(lián)手構建深度學習系統(tǒng)，從肺部區(qū)域劃分到異常呼吸模式分類器再到病癥自動檢測都為提高檢測COVID-19準確率做著努力。
論文：《使用深度學習系統(tǒng)篩查2019新型冠狀病毒肺炎》（Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia）
論文鏈接：https://arxiv.org/ftp/arxiv/papers/2002/2002.09334.pdf
作者來自浙江大學第一附屬醫(yī)院、溫州市中心醫(yī)院、溫嶺市第一人民醫(yī)院等機構。
方法：這項工作旨在使用深度學習技術來創(chuàng)建早期篩查模型來利用肺部CT圖像區(qū)分COVID-19肺炎和甲型流感病毒性肺炎及健康病例。
（a）COVID-19肺炎患者CT圖（b）甲型流感病毒性肺炎患者CT圖（c）無肺炎感染病例 CT圖
作者首先使用三位深度學習模型從肺部CT圖像集中分割出了候選感染域，這些分離出來的圖像接著被分別劃分為COVID-19、甲型流感病毒性肺炎和與感染組無關的病例，并同時使用區(qū)域注意力分類模型來計算對應的置信分數(shù)。最后，使用噪聲函數(shù)或貝葉斯函數(shù)來計算出CT病例的感染類型和總共的置信分數(shù)。
.
（雷鋒網(wǎng)）
作者共收集了618個CT樣本，包括219個COVID-19患者的CT樣本、224個型流感病毒性肺炎患者的CT樣本以175個來自健康人員的CT 樣本。
結果：在基準數(shù)據(jù)集上進行實驗，結果顯示模型在所有 CT 樣本的篩查上，準確性達到了86.7%。作用：作者提出的這一方法能夠通過深度學習技術完全自動化地篩查COVID-19 病例，而使用區(qū)域注意力機制的模型能夠更加準確地通過胸片識別出COVID-19病例，準確度高達86.7%，在為一線臨床醫(yī)生提供輔助診斷工具上非常具有前景。
論文鏈接：https://arxiv.org/abs/2003.04655v2
在論文《用深度學習對COVID-19 CT圖像進行肺部感染的定量研究》（Lung Infection Quantification of COVID-19 in CT Images with Deep Learning）中上海市公共衛(wèi)生臨床中心放射科的醫(yī)生聯(lián)合上海聯(lián)合影像研發(fā)部的研究人員以及上海大學通信與信息工程學院的博士生用深度學習構建了一個基于深度學習的自動分割和量化系統(tǒng)，針對的目標有兩個，一個是胸部CT感染區(qū)域，另一個是肺部整體。
方法：訓練VB-Net神經(jīng)網(wǎng)絡對CT掃描圖像中的COVID-19感染區(qū)域進行分割。該系統(tǒng)使用的訓練數(shù)據(jù)集包括249名COVID19 患者，驗證集包括300名COVID19患者。另外，為了加快數(shù)據(jù)標注的速度，其采用了人機回圈(Human-in-the-loop)優(yōu)化的方法對每個病例進行注解。
注：人機回圈數(shù)據(jù)處理過程是：人處理的數(shù)據(jù)，教給機器學習，機器將學習的結果反饋給人工進行校對，持續(xù)提升準確率。
再者，為了評估系統(tǒng)的性能以及戴斯相似性系數(shù)，研究人員在驗證集上計算自動分割結果和手動分割結果之間的體積和感染百分比的差異。
結果：該系統(tǒng)在自動分割和手動分割之間的戴斯相似系數(shù)為91.6%±10.0%，感染百分比的平均預測誤差在驗證集上的表現(xiàn)為0.3%，這意味著與通常需要1~5個小時的“全人工劃分區(qū)域”相比，人機回圈在3次模型更新后可將“劃分”時間減少到4分鐘左右。
論文鏈接：https://arxiv.org/abs/2003.05037v1
在論文《針對COVID-19的快速AI開發(fā)周期：用深度學習CT圖像分析得到自動檢測的初步結果和病人監(jiān)控的初步結果》（Rapid AI Development Cycle for the Coronavirus (COVID-19) Pandemic: Initial Results for Automated Detection & Patient Monitoring using Deep Learning CT Image Analysis）中美國的 AI 醫(yī)療影像公司 RADLogics聯(lián)和溫州醫(yī)科大學臺州醫(yī)院的放射科以及美國紐約西奈山醫(yī)院用深度學習算法開發(fā)了自動CT圖像分析工具。
方法：采用了多個國際數(shù)據(jù)集，中國疾病感染地區(qū)也包括在內(nèi)，其中測試集包含來自中國、美國的157名患者。所采用的方法的基礎是現(xiàn)有穩(wěn)健的2D和3D深度學習模型，將其與與臨床理解結合起來對模型進行修改和調(diào)整。
結果：在中國患者的數(shù)據(jù)集上，每項胸部CT研究中冠狀病毒與非冠狀病毒病例的分類結果的AUC為0.996，其中特異度為92.2%，敏感度為98.2%。對于冠狀病毒患者的時間分析，系統(tǒng)輸出能夠對較小的不透明物，例如體積，直徑等進行定量測量，并在基于切片的“熱圖”中也能夠可視化較大的不透明物。綜上，該工具在檢測冠狀病毒陽性患者以及量化疾病負擔方面有著非常高的精度。
論文：《異常呼吸模式分類器可能有助于大規(guī)模篩查感染COVID-19的病患，準確且不聲不響》（Abnormal respiratory patterns classifier may contribute to large-scale screening of people infected with COVID-19 in an accurate and unobtrusive manner）
論文鏈接：https://arxiv.org/abs/2002.05534v1
作者來自華東師范大學、教育部人工智能重點實驗室、加拿大瑞爾森大學、上海疆萊數(shù)據(jù)科技有限公司。
方法：作者利用深度相機和深度學習來準確、遠程且不聲不響地檢測出人的異常呼吸模式。這一方法面臨的挑戰(zhàn)有二：一是現(xiàn)實世界的數(shù)據(jù)量不足以訓練獲得深度模型；二是不同類型的呼吸模式的類內(nèi)變異較大、類外變異較小。
作者針對實際呼吸信號的特點，首次提出了一種新的、有效的呼吸模擬模型（RSM），以降低訓練需要的數(shù)據(jù)量大與真實數(shù)據(jù)量少之間的矛盾。
與此同時，他們還應用了具有雙向和注意機制的GRU神經(jīng)網(wǎng)絡（BI-AT-GRU）對6種具有臨床意義的呼吸模式（呼吸正常、呼吸急促、呼吸緩慢、間停呼吸、潮式呼吸和中樞性呼吸暫停）進行分類。
BI-AT-GRU 模型對呼吸模式進行分類結果：通過深度相機測量的實際數(shù)據(jù)對所得到的BI-AT-GRU 的性能進行測試，結果表明，該模型能對6種不同的呼吸模式進行分類，準確率、精度、召回率和F1得分 分別為94.5%、94.4%、95.1%和94.8%。并且在對比實驗中，其得到專用于呼吸模式分類的 BI-AT-GRU模型要優(yōu)于現(xiàn)有的最新模型。
論文：《使用3個臨床特征預測重癥Covid-19 感染患者的病危程度：采用武漢臨床數(shù)據(jù)的基于機器學習的預后模型》（Prediction of criticality in patients with severe Covid-19 infection using three clinical features: a machine learning-based prognostic model with clinical data in Wuhan）
論文鏈接：https://www.medrxiv.org/content/10.1101/2020.02.27.20028027v2
作者來自華中科技大學人工智能與自動化學院、機械科學與工程學院，華中科技大學同濟醫(yī)學院附屬同濟醫(yī)院急診科、麻醉科、信息管理部，華中科技大學無錫研究院和武漢理工大學信息科學與工程學院。
方法：作者篩選了自2020年1月10日至2月18日同濟醫(yī)院收治的2799位患者的電子檔案。出院患者共計375位，其中包括201位重癥患者。他們創(chuàng)建了一個基于 XGBoost機器學習算法的預后預測模型，并測試了29位在2月19日以后確診的患者（包括來自其他醫(yī)院的3名患者）。
XGBoost機器學習算法流程圖結果：375位患者的平均年齡為58.83歲，男性比例為58.7%。發(fā)熱是最普遍的最初癥狀（49.9%），隨后是咳嗽（13.9%）、疲勞（3.7%）和呼吸困難（2.1%）。
該模型從 300 多個特征池中識別出了3個主要的臨床特征，即乳酸脫氫酶（LDH），淋巴細胞和超敏 C反應蛋白（hs-CRP）。
這一臨床路徑非常易于檢查、能夠準確、快速地評估死亡風險。因而，這一方法具有重要的臨床意義。
作用：作者創(chuàng)建的這一基于3項指標的預后預測模型，能夠預測死亡風險，并能夠提供從重癥病例中識別關鍵病例的臨床路徑。該模型能夠幫助醫(yī)生及早發(fā)現(xiàn)病患的病癥并及早干預，從而有效降低死亡率。
部分數(shù)據(jù)集下載：
https://www.kaggle.com/sudalairajkumar/novel-corona-virus-2019-dataset
https://github.com/ieee8023/covid-chestxray-dataset/blob/master/README.md?fbclid=IwAR30yTGBr55WXdCngCoICDENHycmdL2bGwlvl1ckdZM-ucjGH10Uakz7khk
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
