全自动机器学习系统诊断COVID-19，无需人工辅助可极速完成

（文章来源：前瞻网）

新冠肺炎已在全球范围内传播，许多地区的医疗资源不足。快速诊断COVID-19，发现预后差的高危患者，对早期预防和优化医疗资源具有重要意义。

机器学习已经被利用在许多领域，包括医学影像的早期筛查和诊断。在新冠疫情的防治上，这项技术一样能大展身手。一篇发表在预印本平台medRxiv上的论文“A Fully Automatic Deep Learning System for COVID-19 DiagnosTIc and PrognosTIc Analysis”提出了一个全自动的深度学习系统，用于COVID-19诊断和预后分析的常规使用计算机断层扫描。

研究人员回顾性收集了来自7个省市的5372例CT图像。首先，他们利用4106例CT图像和基因信息对机器学习(DL)系统进行预训练，使其了解肺的特征。随后，来自6个省市的1266名患者(924例COVID-19, 471例随访5+天;342人患有其他肺炎)参与了深度学习系统的培训和外部验证。

该系统包括三个部分：肺自动分割、非肺区抑制、COVID-19诊断和预后分析。在这个DL系统中，涉及两个DL网络：DenseNet121-FPN用于胸部CT图像中的肺部分割，以及新的COVID-19网络用于COVID-19的诊断和预后分析。

DL是一个层次神经网络家族，旨在学习原始数据与期望临床结果之间的抽象映射。将DL模型中的计算单元定义为层次，并将它们集成起来模拟人脑的推理过程。主要的计算公式是卷积、池化、激活和批处理规范化。

在4个外部验证集中，深度学习系统在区分COVID-19与其他肺炎(AUC=0.87和0.88)和病毒性肺炎(AUC=0.86)方面表现良好。此外，深度学习系统成功将患者分为高危组和低危组，两组患者住院时间差异有统计学意义(p=0.013和0.014)。在没有人工辅助的情况下，深度学习系统会自动聚焦于异常区域，这些区域的特征与所报道的放射学发现一致。

该系统具有良好的诊断和预测性能，在不增加成本的前提下，对COVID-19的流行控制有一定的帮助。如果是疑似病人，几分钟内就能获得CT扫描。之后，该DL系统可用于预测患者有COVID-19的概率。如果患者被诊断为COVID-19，DL系统还可以同时预测其预后情况，这可以用来寻找需要紧急医疗资源和特殊护理的潜在高危患者。

更重要的是，该系统速度快，不需要人工辅助图像标注，提高了其临床应用价值和鲁棒性。对于典型的病人胸部CT扫描，DL系统用于预测预后和诊断的时间不到10秒。

尽管这个DL系统具有良好的性能，但研究人员也提出，本研究仍存在一些局限性。首先，还有其他的预后终点事件，如死亡或进入重症监护室，本研究没有考虑这些事件。其次，重度COVID-19与轻度COVID-19的治疗方法不同，因此，分别探讨两组COVID-19的预后有一定帮助。

深度学习为快速筛选COVID-19和发现潜在高危患者提供了方便的工具，这可能有助于优化医疗资源，在患者出现严重症状前进行早期预防。