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(jì)確診81078例，國外累計(jì)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(shí)。
在這場(chǎng)沒有硝煙的戰(zhàn)場(chǎng)，看不見的戰(zhàn)火的殺傷力遠(yuǎn)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(qiáng)，處在一線戰(zhàn)場(chǎng)的醫(yī)生很難“一眼”將其和流感準(zhǔn)確區(qū)分。
首先流感和COVID-19都具有傳染性，都會(huì)導(dǎo)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(huì)出現(xiàn)腹瀉，惡心和嘔吐。
也就是說，呼吸道病毒會(huì)導(dǎo)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(jì)算機(jī)科學(xué)家和機(jī)器學(xué)習(xí)研究人員正在從自己的專業(yè)入手，對(duì)一些數(shù)據(jù)集進(jìn)行編譯，并構(gòu)建AI算法來優(yōu)化肺炎檢測(cè)。例如，在數(shù)據(jù)科學(xué)競(jìng)賽平臺(tái)Kaggle上面，已經(jīng)有了一個(gè)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(shí)出現(xiàn)癥狀、何時(shí)暴露、何時(shí)進(jìn)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(xué)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(xué)習(xí)算法層面，這些計(jì)算機(jī)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(gè)研究中，AI研究人員與專業(yè)醫(yī)師聯(lián)手構(gòu)建深度學(xué)習(xí)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(dòng)檢測(cè)都為提高檢測(cè)COVID-19準(zhǔn)確率做著努力。
論文：《使用深度學(xué)習(xí)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(xué)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(jī)構(gòu)。
方法：這項(xiàng)工作旨在使用深度學(xué)習(xí)技術(shù)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(xué)習(xí)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(guān)的病例，并同時(shí)使用區(qū)域注意力分類模型來計(jì)算對(duì)應(yīng)的置信分?jǐn)?shù)。最后，使用噪聲函數(shù)或貝葉斯函數(shù)來計(jì)算出CT病例的感染類型和總共的置信分?jǐn)?shù)。
.
（雷鋒網(wǎng)）
作者共收集了618個(gè)CT樣本，包括219個(gè)COVID-19患者的CT樣本、224個(gè)型流感病毒性肺炎患者的CT樣本以175個(gè)來自健康人員的CT 樣本。
結(jié)果：在基準(zhǔn)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果顯示模型在所有 CT 樣本的篩查上，準(zhǔn)確性達(dá)到了86.7%。作用：作者提出的這一方法能夠通過深度學(xué)習(xí)技術(shù)完全自動(dòng)化地篩查COVID-19 病例，而使用區(qū)域注意力機(jī)制的模型能夠更加準(zhǔn)確地通過胸片識(shí)別出COVID-19病例，準(zhǔn)確度高達(dá)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(xué)習(xí)對(duì)COVID-19 CT圖像進(jìn)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(xué)通信與信息工程學(xué)院的博士生用深度學(xué)習(xí)構(gòu)建了一個(gè)基于深度學(xué)習(xí)的自動(dòng)分割和量化系統(tǒng)，針對(duì)的目標(biāo)有兩個(gè)，一個(gè)是胸部CT感染區(qū)域，另一個(gè)是肺部整體。
方法：訓(xùn)練VB-Net神經(jīng)網(wǎng)絡(luò)對(duì)CT掃描圖像中的COVID-19感染區(qū)域進(jìn)行分割。該系統(tǒng)使用的訓(xùn)練數(shù)據(jù)集包括249名COVID19 患者，驗(yàn)證集包括300名COVID19患者。另外，為了加快數(shù)據(jù)標(biāo)注的速度，其采用了人機(jī)回圈(Human-in-the-loop)優(yōu)化的方法對(duì)每個(gè)病例進(jìn)行注解。
注：人機(jī)回圈數(shù)據(jù)處理過程是：人處理的數(shù)據(jù)，教給機(jī)器學(xué)習(xí)，機(jī)器將學(xué)習(xí)的結(jié)果反饋給人工進(jìn)行校對(duì)，持續(xù)提升準(zhǔn)確率。
再者，為了評(píng)估系統(tǒng)的性能以及戴斯相似性系數(shù)，研究人員在驗(yàn)證集上計(jì)算自動(dòng)分割結(jié)果和手動(dòng)分割結(jié)果之間的體積和感染百分比的差異。
結(jié)果：該系統(tǒng)在自動(dòng)分割和手動(dòng)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(yù)測(cè)誤差在驗(yàn)證集上的表現(xiàn)為0.3%，這意味著與通常需要1~5個(gè)小時(shí)的“全人工劃分區(qū)域”相比，人機(jī)回圈在3次模型更新后可將“劃分”時(shí)間減少到4分鐘左右。
論文鏈接：https://arxiv.org/abs/2003.05037v1
在論文《針對(duì)COVID-19的快速AI開發(fā)周期：用深度學(xué)習(xí)CT圖像分析得到自動(dòng)檢測(cè)的初步結(jié)果和病人監(jiān)控的初步結(jié)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(xué)臺(tái)州醫(yī)院的放射科以及美國紐約西奈山醫(yī)院用深度學(xué)習(xí)算法開發(fā)了自動(dòng)CT圖像分析工具。
方法：采用了多個(gè)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(cè)試集包含來自中國、美國的157名患者。所采用的方法的基礎(chǔ)是現(xiàn)有穩(wěn)健的2D和3D深度學(xué)習(xí)模型，將其與與臨床理解結(jié)合起來對(duì)模型進(jìn)行修改和調(diào)整。
結(jié)果：在中國患者的數(shù)據(jù)集上，每項(xiàng)胸部CT研究中冠狀病毒與非冠狀病毒病例的分類結(jié)果的AUC為0.996，其中特異度為92.2%，敏感度為98.2%。對(duì)于冠狀病毒患者的時(shí)間分析，系統(tǒng)輸出能夠?qū)^小的不透明物，例如體積，直徑等進(jìn)行定量測(cè)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(cè)冠狀病毒陽性患者以及量化疾病負(fù)擔(dān)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(zhǔn)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(xué)、教育部人工智能重點(diǎn)實(shí)驗(yàn)室、加拿大瑞爾森大學(xué)、上海疆萊數(shù)據(jù)科技有限公司。
方法：作者利用深度相機(jī)和深度學(xué)習(xí)來準(zhǔn)確、遠(yuǎn)程且不聲不響地檢測(cè)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(shí)世界的數(shù)據(jù)量不足以訓(xùn)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(duì)實(shí)際呼吸信號(hào)的特點(diǎn)，首次提出了一種新的、有效的呼吸模擬模型（RSM），以降低訓(xùn)練需要的數(shù)據(jù)量大與真實(shí)數(shù)據(jù)量少之間的矛盾。
與此同時(shí)，他們還應(yīng)用了具有雙向和注意機(jī)制的GRU神經(jīng)網(wǎng)絡(luò)（BI-AT-GRU）對(duì)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(jìn)行分類。
BI-AT-GRU 模型對(duì)呼吸模式進(jìn)行分類結(jié)果：通過深度相機(jī)測(cè)量的實(shí)際數(shù)據(jù)對(duì)所得到的BI-AT-GRU 的性能進(jìn)行測(cè)試，結(jié)果表明，該模型能對(duì)6種不同的呼吸模式進(jìn)行分類，準(zhǔn)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(duì)比實(shí)驗(yàn)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(gè)臨床特征預(yù)測(cè)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(jī)器學(xué)習(xí)的預(yù)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(xué)人工智能與自動(dòng)化學(xué)院、機(jī)械科學(xué)與工程學(xué)院，華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬同濟(jì)醫(yī)院急診科、麻醉科、信息管理部，華中科技大學(xué)無錫研究院和武漢理工大學(xué)信息科學(xué)與工程學(xué)院。
方法：作者篩選了自2020年1月10日至2月18日同濟(jì)醫(yī)院收治的2799位患者的電子檔案。出院患者共計(jì)375位，其中包括201位重癥患者。他們創(chuàng)建了一個(gè)基于 XGBoost機(jī)器學(xué)習(xí)算法的預(yù)后預(yù)測(cè)模型，并測(cè)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(jī)器學(xué)習(xí)算法流程圖結(jié)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(gè)特征池中識(shí)別出了3個(gè)主要的臨床特征，即乳酸脫氫酶（LDH），淋巴細(xì)胞和超敏 C反應(yīng)蛋白（hs-CRP）。
這一臨床路徑非常易于檢查、能夠準(zhǔn)確、快速地評(píng)估死亡風(fēng)險(xiǎn)。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(xiàng)指標(biāo)的預(yù)后預(yù)測(cè)模型，能夠預(yù)測(cè)死亡風(fēng)險(xiǎn)，并能夠提供從重癥病例中識(shí)別關(guān)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(yù)，從而有效降低死亡率。
部分?jǐn)?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(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
