如何用深度學習分辨新冠肺炎與流行感冒？五項研究，從初期篩查到重症病危預測

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，COVID-19全球流行已是不爭的事實。

在這場沒有硝煙的戰場，看不見的戰火的殺傷力遠比赤身肉搏打仗更讓人印象深入，好比新冠肺炎COVID-19假裝能力極強，處在一線戰場的醫生很難「一眼」將其和流感準確區分。

首先流感和COVID-19都具備傳染性，都會致使呼吸道疾病。典型流感症狀包括髮熱，咳嗽，喉嚨腫痛，四肢痠痛，頭疼，流鼻涕，鼻塞，疲勞，以及嘔吐和腹瀉；而新冠肺炎最多見症狀是發熱，咳嗽和睦短，且有5%的患者喉嚨腫痛，1-2%的患者會出現腹瀉，噁心和嘔吐。

也就是說，呼吸道病毒會致使類似症狀，所以很難經過症狀自己區分COVID-19和流感。

（雷鋒網）

能不能從AI的角度來幫助醫生找出COVID-19與普通流感的區別？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本身的專業入手，對一些數據集進行編譯，並構建AI算法來優化肺炎檢測。例如，在數據科學競賽平臺Kaggle上面，已經有了一個COVID-19病例數據集，數據天天更新，內容包括患者年齡、患者居住地、什麼時候出現症狀、什麼時候暴露、什麼時候進入醫院等等。

（雷鋒網(公衆號：雷鋒網)）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於分析的幾十張圖片，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爲區分流感和COVID-19作了一些努力。在下面的幾個研究中，AI研究人員與專業醫師聯手構建深度學習系統，從肺部區域劃分到異常呼吸模式分類器再到病症自動檢測都爲提升檢測COVID-19準確率作着努力。

使用深度學習系統篩查COVID-19

論文：《使用深度學習系統篩查2019新型冠狀病毒肺炎》（Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia）

論文連接：https://arxiv.org/ftp/arxiv/papers/2002/2002.09334.pdf

做者來自浙江大學第一附屬醫院、溫州市中心醫院、溫嶺市第一人民醫院等機構。

方法：這項工做旨在使用深度學習技術來建立早期篩查模型來利用肺部CT圖像區分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

做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着被分別劃分爲COVID-1九、甲型流感病毒性肺炎和與感染組無關的病例，並同時使用區域注意力分類模型來計算對應的置信分數。最後，使用噪聲函數或貝葉斯函數來計算出CT病例的感染類型和總共的置信分數。

.

（雷鋒網）

做者共收集了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：在基準數據集上進行實驗，結果顯示模型在全部 CT 樣本的篩查上，準確性達到了86.7%。做用：做者提出的這一方法可以經過深度學習技術徹底自動化地篩查COVID-19 病例，而使用區域注意力機制的模型可以更加準確地經過胸片識別出COVID-19病例，準確度高達86.7%，在爲一線臨牀醫生提供輔助診斷工具上很是具備前景。

基於深度學習新冠肺炎感染的定量研究

論文連接：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）中上海市公共衛生臨牀中心放射科的醫生聯合上海聯合影像研發部的研究人員以及上海大學通訊與信息工程學院的博士生用深度學習構建了一個基於深度學習的自動分割和量化系統，針對的目標有兩個，一個是胸部CT感染區域，另外一個是肺部總體。

方法：訓練VB-Net神經網絡對CT掃描圖像中的COVID-19感染區域進行分割。該系統使用的訓練數據集包括249名COVID19 患者，驗證集包括300名COVID19患者。另外，爲了加快數據標註的速度，其採用了人機迴圈(Human-in-the-loop)優化的方法對每一個病例進行註解。

注：人機迴圈數據處理過程是：人處理的數據，教給機器學習，機器將學習的結果反饋給人工進行校對，持續提高準確率。

再者，爲了評估系統的性能以及戴斯類似性係數，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別。

結果：該系統在自動分割和手動分割之間的戴斯類似係數爲91.6%±10.0%，感染百分比的平均預測偏差在驗證集上的表現爲0.3%，這意味着與一般須要1~5個小時的「全人工劃分區域」相比，人機迴圈在3次模型更新後可將「劃分」時間減小到4分鐘左右。

用深度學習進行新冠肺炎自動檢測和患者監控

論文連接：https://arxiv.org/abs/2003.05037v1

在論文《針對COVID-19的快速AI開發週期：用深度學習CT圖像分析獲得自動檢測的初步結果和病人監控的初步結果》（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 醫療影像公司 RADLogics聯和溫州醫科大學臺州醫院的放射科以及美國紐約西奈山醫院用深度學習算法開發了自動CT圖像分析工具。

方法：採用了多個國際數據集，中國疾病感染地區也包括在內，其中測試集包含來自中國、美國的157名患者。所採用的方法的基礎是現有穩健的2D和3D深度學習模型，將其與與臨牀理解結合起來對模型進行修改和調整。

結果：在中國患者的數據集上，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爲0.996，其中特異度爲92.2%，敏感度爲98.2%。對於冠狀病毒患者的時間分析，系統輸出可以對較小的不透明物，例如體積，直徑等進行定量測量，並在基於切片的「熱圖」中也可以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着很是高的精度。

使用異常呼吸模式分類器大規模篩查COVID-19患者

論文：《異常呼吸模式分類器可能有助於大規模篩查感染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）

論文連接：https://arxiv.org/abs/2002.05534v1

做者來自華東師範大學、教育部人工智能重點實驗室、加拿大瑞爾森大學、上海疆萊數據科技有限公司。

方法：做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有二：一是現實世界的數據量不足以訓練得到深度模型；二是不一樣類型的呼吸模式的類內變異較大、類外變異較小。

做者針對實際呼吸信號的特色，首次提出了一種新的、有效的呼吸模擬模型（RSM），以下降訓練須要的數據量大與真實數據量少之間的矛盾。

與此同時，他們還應用了具備雙向和注意機制的GRU神經網絡（BI-AT-GRU）對6種具備臨牀意義的呼吸模式（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：經過深度相機測量的實際數據對所獲得的BI-AT-GRU 的性能進行測試，結果代表，該模型能對6種不一樣的呼吸模式進行分類，準確率、精度、召回率和F1得分 分別爲94.5%、94.4%、95.1%和94.8%。而且在對比實驗中，其獲得專用於呼吸模式分類的 BI-AT-GRU模型要優於現有的最新模型。

用機器學習模型預測重症Covid-19 患者的病危程度

論文：《使用3個臨牀特徵預測重症Covid-19 感染患者的病危程度：採用武漢臨牀數據的基於機器學習的預後模型》（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）

論文連接：https://www.medrxiv.org/content/10.1101/2020.02.27.20028027v2

做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學院附屬同濟醫院急診科、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：做者篩選了自2020年1月10日至2月18日同濟醫院收治的2799位患者的電子檔案。出院患者共計375位，其中包括201位重症患者。他們建立了一個基於 XGBoost機器學習算法的預後預測模型，並測試了29位在2月19日之後確診的患者（包括來自其餘醫院的3名患者）。

XGBoost機器學習算法流程圖結果：375位患者的平均年齡爲58.83歲，男性比例爲58.7%。發熱是最廣泛的最初症狀（49.9%），隨後是咳嗽（13.9%）、疲勞（3.7%）和呼吸困難（2.1%）。

該模型從 300 多個特徵池中識別出了3個主要的臨牀特徵，即乳酸脫氫酶（LDH），淋巴細胞和超敏 C反應蛋白（hs-CRP）。

這一臨牀路徑很是易於檢查、可以準確、快速地評估死亡風險。於是，這一方法具備重要的臨牀意義。

做用：做者建立的這一基於3項指標的預後預測模型，可以預測死亡風險，並可以提供從重症病例中識別關鍵病例的臨牀路徑。該模型可以幫助醫生及早發現病患的病症並及早干預，從而有效下降死亡率。

部分數據集下載：

https://www.kaggle.com/sudalairajkumar/novel-corona-virus-2019-dataset

https://github.com/ieee8023/covid-chestxray-dataset/blob/master/README.md?fbclid=IwAR30yTGBr55WXdCngCoICDENHycmdL2bGwlvl1ckdZM-ucjGH10Uakz7khk

雷鋒網原創文章，未經受權禁止轉載。詳情見轉載須知。