北京时间3月20日，科亚医疗区分新冠肺炎与一般肺炎的“CT+AI”检测研究成果，被国际顶级放射学期刊《Radiology》收录并发表，这是《Radiology》发表的首个新冠诊断评估论文。论文标题为《基于肺部CT的人工智能检测COVID-19和社区获得性肺炎：诊断准确性评估》
肺部CT异常是新冠肺炎最典型的影像学表现，部分患者肺部影像改变早于临床症状，CT已成为当前筛查与诊断新冠肺炎的主要手段。
在回顾性的多中心研究中，科亚医疗采用深度学习技术，开发新冠肺炎的3D检测神经网络—COVNet（如图1所示），从肺部CT中提取各类影像特征鉴别新冠肺炎。
（COVID-19：新冠肺炎；CAP：社区获得性肺炎；Non-Pneumonia：其他非肺炎）
为开发和验证该模型的准确性和稳健性，此次研究在六家医院收集了从2016年8月至2020年2月间共计3322名患者的4356例CT数据，其中包括新冠肺炎、社区获得性肺炎（非新冠）、以及其他非肺炎患者的CT检查数据。
在独立测试集中验证表明，科亚医疗研发的COVNet对新冠肺炎的鉴别灵敏度和特异性分别高达89.76％和95.77％，ROC（受试者工作特征）曲线下面积AUC为0.96。
同时，科亚医疗验证了模型对社区获得性肺炎的鉴别准确性（灵敏度86.85％，特异性92.28％，AUC为0.95）。研究结果证明了COVNet可以准确地检测出新冠肺炎，并将其与社区获得性肺炎和其他肺部疾病区分开。
为了提高模型的可解释性，科亚医疗的研究团队基于加权梯度类激活映射方法，来可视化导致深度学习模型COVNet做出决策的重要区域（由模型自动生成）。
图2.新冠肺炎、社区获得性肺炎、及非肺炎病例CT的可疑区域热图。
COVNet做出了决策的重要区域热图，a、b、c列分别展示了新冠肺炎、社区获得性肺炎、其他非肺炎数据的CT图（上）和可疑区域热图（下）。这些热图表明，COVNet最为关注异常区域，同时正确地忽略正常区域，以帮助算法框架识别出病灶区域并做出准确的疾病鉴别。
本站部分文章来自互联网，文章版权归原作者所有。如有疑问请联系QQ：3164780！
