目 录CONTENT

文章目录

人工智能技术在新型冠状病毒肺炎诊疗过程中的应用

Deptember
2022-08-12 / 0 评论 / 0 点赞 / 4 阅读 / 6534 字
原文:https://www.cmde.org.cn/splt/ltwz/ltyy/20220812092027172.html
发布时间:2022-08-12
版权归属原文

(原创 2022-08-11 CMDE 中国器审)

  自2019年12月以来,新型冠状病毒肺炎(COVID-19)疫情席卷全球,根据世界卫生组织WHO的统计数据,已经造成超过2500万人确诊,死亡人数超过80万人[1],疫情的快速传播为世界公共卫生系统带来巨大挑战。短时间内大量病人涌入急诊和发热门诊等待诊断和治疗,医疗机构负荷骤然提升。作为COVID-19诊断的重要方法[2],CT影像和实时荧光PT-PCR核酸检测能力在疫情早期严重不足。由于缺乏对患者病情走势的判断,对COVID-19急性并发症也难以提前准备和干预 。

  人工智能(Artificial Intelligence,AI)技术以其独特优势可以帮助应对这些挑战。AI技术基于卷积神经网络(Convolutional Neural Network,CNN)、机器学习(Machine Learning,ML)和深度学习(Deep Learning,DL)等技术,通过对海量数据的训练和学习,使算法模型具有良好的决策判断能力、适应能力和自我完善的能力[3]。在疫情诊断和治疗过程中,AI技术可以高效辅助医疗机构和医护人员,在缓解医生资源紧张、减少人为失误、提升诊断质量、预测病情趋势等方面发挥重要作用。COVID-19疫情激发各国研究人员进行多项研究,目的是让现有诊疗方法在AI技术的帮助下发挥出更大作用。

  一、利用胸部CT的AI诊断

  胸部高分辨率CT(High resolution CT,HRCT)为当前筛查COVID-19的首选影像学方法[4、5],患者早期多发小斑片影,晚期多发双肺磨玻璃影和浸润影[2]。用AI技术建立模型训练学习这些影像特征并辅助医生进行阅片,将极大提高阅片效率,缓解医生阅片经验不足和能力水平差异带来的阅片质量问题。为应对新冠病毒疫情,目前国家药监局医疗器械技术审评中心已经制定了《肺炎CT影像辅助分诊与评估软件审评要点(试行)》,指导相关产品注册申报。

  Wang等[6] 设计了一个基于CT影像的COVID-19 AI诊断算法。研究人员收集了325例COVID-19确诊患者的CT影像和740例先前被诊断为典型性肺炎的CT影像,使用CNN技术训练学习这些影像的特征,特别是学习区分新冠肺炎和普通肺炎的影像区别,采用内部测试数据集验证算法性能,曲线下面积(Area Under Curve,AUC)达到0.93,特异性为0.88,灵敏性为0.87,单个病例的诊断时间为10秒。Gozes等[7]使用基于CNN技术且擅长可视化分析的Grad-Cam模型[8]用于病灶的定位分析,将不同分辨率的CT平扫图像融合为3D图像后计算被COVID-19侵入的肺部体积,提出冠状病毒评分(Corona Score)用于评估病毒在肺部的传播程度,为放射科医生提供有价值的建议。经过270例含有COVID-19确诊患者图像的数据集验证,其AUC达到0.948,敏感性为94%,特异性为98%。

  二、利用常规临床指征的AI诊断

  疫情传播初期,由于COVID-19症状与流行性感冒以及普通肺炎等其他呼吸系统疾病症状类似,需要排查的疑似病例数量激增,而医疗机构特别是欠发达地区和基层的医疗机构,其CT造影和核酸检测能力短期无法满足大量等待排查的病患,供需矛盾加剧了有限医疗资源的透支程度。通过大数据分析和人工智能算法,研究病例的常规临床身体指征及病情变化,并用于辅助诊断新冠患者,对于新型传染病发病早期的患者分类分级,提高医疗资源利用效率具有一定意义。

  Feng等[9]研究了疫情初期医院发热门诊收治的132例具有流行病学意义的COVID-19接触史病例,将体温、心率、血常规、咳嗽、肌肉疼痛等门诊记录列入采样特征,采用机器学习算法Lasso递归,根据“新型冠状病毒诊疗方案(第六版)”中疑似病例的定义,建立了无CT检查下的疑似病例早期诊断辅助模型。该模型在性能验证中得到AUC为 0.93,敏感性为1,特异性为0.77。为研究核酸检测资源有限条件下辅助医疗机构进行COVID-19疑似病例的诊断,Batista[10]等建立了一种利用常规急诊检查指标设计的COVID-19阳性预测模型,研究人员收集了巴西圣保罗一家医院235例急诊就诊病例(其中70%病例用于算法训练,30%病例用于算法验证),全部接受血常规检查和PT-PCR核酸检测,其中102例核酸检测确诊为阳性。研究人员选取除PT-PCR核酸检测以外的年龄、性别、血红细胞数量、红细胞平均血红细胞浓度、C反应蛋白等17项特征,分别采用5种机器学习算法训练模型,验证性能最佳的算法是随机树(Random Tree)和支持向量机(Support Vector Machine),两种算法的AUC均能达到0.85。

  三、对患者并发症的AI预测

  回顾性分析COVID-19患者入院时的临床特征,显示重症患者易出现急性呼吸综合征(ARDS)、心肌损伤、凝血障碍、肾损伤和休克等并发症[11],通过分析致病因素、患者身体指征、病情发展时间等数据,利用深度学习等AI技术,提前获取病情发展趋势并预测可能出现的并发症,对于病人危重程度预判、医疗资源调配、诊疗方案早期介入、以至于降低COVID-19患病死亡率等方面具有重要意义。

  Jiang等[12]收集了53例COVID-19咽拭子核酸检测阳性确诊病例数据,设计了一个预测COVID-19患者患ARDS的模型。该研究利用机器学习中的特征工程(Feature Engineering)步骤进行数据预处理,选取出对预测ARDS最小规模和最大贡献值的数据特征集。在数据预处理过程中采用过滤法(Filter)确定出含有谷丙转氨酶、淋巴细胞数量、肌酐、性别、年龄等11项生化指标的特征集并用于模型训练。该模型的预测准确性达到80%。相比之下,肺部CT、发烧症状、淋巴细胞减少症等都无法预测ARDS的发生[13]。COVID-19另外一个危险的并发症是急性肾衰竭(Acute Kidney Injury,AKI),Chan等[14]研究了纽约市5家医院的3235例被确诊为COVID-19的住院患者,46%的患者出现了AKI症状,而其中的20%需要接受透析治疗。该研究通过改进的决策树机器学习算法,制定出一个模型来推断哪些COVID-19患者将需要进行透析治疗。该工具的AUC性能达到了0.79。该项研究通过Python的机器学习模型解释工具SHAP(SHapley Additive exPlanation)分析模型各特征值的重要性,得出肌酐、年龄、血钾以及心率对模型结果的影响程度要大于白细胞数量和淋巴细胞数量等其他特征。

  四、小结

  在应对COVID-19对诊疗工作带来的巨大挑战过程中,世界多个国家研究人员纷纷利用人工智能技术开展了多个角度的研究并取得了丰硕的成果,为解决突发重大疫情下的医疗资源紧张、提升医疗质量和降低患病死亡率等问题带来了新的机遇。随着病例样本数据量的扩大和更多研究力量的参与,AI将在COVID-19诊疗过程中发挥更大作用。


参考文献:

[1] World Health Organization. Coronavirus disease (COVID-19) Weekly Epidemiological Update and Weekly Operational Update,[EB/OL].(2020-8-30)[2020-09-04].https://www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reports.

[2] 国家卫生健康委员会.《新型冠状病毒肺炎诊疗方案(试行第七版)》[J].实用中医内科杂志,2020,34(3):3.

[3] Winston, PatrickHenry. Artificial intelligence / 3rd ed[M]. Addison-Wesley Publishing Company,1993.

[4] 李宏军.新型冠状病毒肺炎影像学辅助诊断指南[J].中国医学影像技术,2020,36(03):321-331.

[5] Ye Z, Zhang Y, Wang Y, et al. Chest CT manifestations of new coronavirus disease 2019 (COVID-19): a pictorial review[J]. European Radiology, 2020: 1-9.

[6] Wang S, Kang B, Ma J, et al. A deep learning algorithm using CT images to screen for Corona Virus Disease (COVID-19)[J]. medRxiv, 2020.

[7] Gozes O , Frid-Adar M , Sagie N , et al. Coronavirus Detection and Analysis on Chest CT with Deep Learning[J]. arXiv, 2020.

[8] Selvaraju R R , Cogswell M , Das A , et al. Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization[J]. International Journal of Computer Vision, 2019, 128(8).

[9] Feng C, Huang Z, Wang L, et al. A Novel Triage Tool of Artificial Intelligence Assisted Diagnosis Aid System for Suspected COVID-19 pneumonia In Fever Clinics[J]. medRxiv, 2020.

[10] Batista A F M, Miraglia J L, Donato T H R, et al. COVID-19 diagnosis prediction in emergency care patients: a machine learning approach[J]. medRxiv, 2020.

[11] 熊维,王海蓉,吴晓燕,等.新型冠状病毒肺炎患者入院时临床特征及致死亡危险因素分析[J/OL].武汉大学学报(医学版):1-4(2020-08-27)[2020-09-04].https://doi.org/10.14188/j.1671-8852.2020.0537.

[12] Jiang X, Coffee M, Bari A, et al. Towards an artificial intelligence framework for data-driven prediction of coronavirus clinical severity[J]. CMC: Computers, Materials & Continua, 2020, 63: 537-541.

[13] Wang D, Hu B, Hu C, et al. Clinical characteristics of 138 hospitalized patients with 2019 novel coronavirus–infected pneumonia in Wuhan, China[J]. Jama, 2020, 323(11): 1061-1069.

[14] Gameiro J, Fonseca J A, Oliveira J, et al. Acute kidney injury in hospitalized patients with COVID-19[J]. medRxiv, 2020.

审评二部 张晨光 供稿

0

评论区