Article Info

新型冠状病毒性肺炎（Coronavirus Disease 2019，COVID-19）的大流行已对人类健康和全球卫生系统构成重大威胁[1]。截至目前，与2003年暴发的严重急性呼吸综合征（Severe Acute Respiratory Syndrome，SARS）相比，在流行时间上COVID-19是SARS的四分之一，总病例数却是SARS的10倍[2]。目前显示，该病致死率平均约1%，且在老年有基础疾病的患者及健康患者中均可发生[3]。因此对COVID-19采取及时预警、实时监测、积极治疗等全面有效的防控措施刻不容缓。

根据COVID-19诊疗方案（试行第六版），胸部影像学检查是辅助COVID-19患者诊断的重要检查方法之一[4]。COVID-19早期常常表现为多发小斑片影及间质改变，以肺外带明显；进而发展为双肺多发磨玻璃影、浸润影，严重者可出现肺实变，胸腔积液少见[5]。人工智能结合CT检查能够实现快速筛查、优化流程、客观量化诊断及动态评估病情变化[6-8]。因此，本文将COVID-19智能辅助诊断模型嵌入放射科影像检查流程中，搭建基于人工智能的COVID-19患者快速筛查、诊断的预警系统，并评估其应用价值。

1 材料与方法

1.1 搭建基于人工智能的COVID-19影像预警系统

1.1.1 基于深度学习的COVID-19影像辅助诊断模型

本研究采用基于深度学习技术的COVID-19影像辅助诊断模型（肺炎特别版AI模型1.4版本，北京推想科技有限公司）。该模型设计原理主要是利用迁移学习方法针对全肺、不同肺叶、肺段的肺炎病变感兴趣区（Region of Interest，ROI）进行学习与检测（图1），最终实现端到端的对肺炎患者自动检测，并提供定量诊断、评估参数。

1.1.2 预警系统的搭建

将基于深度学习的COVID-19影像辅助诊断模型应用于影像技师检查、医师诊断工作流程中，设置智能预警提示，同时建立科室应急机制，对预警患者快速、准确科内响应，由影像诊断医师快速确认判断为疑似患者后进一步启动院内应急机制，对患者进行相应临床决策和处理。

（1）CT检查方案。CT检查方案包括儿童扫描方案和成人扫描方案，扫描方案参照中华医学会影像技术分会及传染病影像技术专业委员会专家共识协作组发布的《新型冠状病毒肺炎放射检查方案与感染防控专家共识（第一版）》[9]。所有检查在 GE Revolution 或 Siemens SOMATOM De finition Flash 或 SOMATOM De finition AS+（或）联影 uCT780 上进行。儿童扫描方案为低剂量螺旋扫描：管电压100 kV，使用智能辐射剂量跟踪技术，球管转速0.27～0.80 s/r，螺距0.5～1.0。成人扫描方案为螺旋扫描方：kV设定为自动管电压或固定管电压，患者体质量指数（Body Mass Index，BMI）＜19 kg/m2的建议为 100 kV，患者 BMI为19～24 kg/m2的建议为 120 kV，患者 BMI＞24 kg/m2的建议为140 kV；使用智能辐射量跟踪技术（50～350 mAs）；球管转速0.27～0.80 s/r；螺距1.0～1.3。图像重建：高分辨算法及窗宽 /窗位（窗宽 1000～1500 HU，窗位 -650～-500 HU）进行薄层重建，层厚/层间距选择0.5～ 1.0 mm。

（2）模型部署。将基于深度学习的COVID-19影像辅助诊断模型部署于影像检查室、诊断室及PACS终端电脑，数据采集与传输采用DICOM 3.0标准。为尽可能缩短传输延搁，选择将模型接收数据端与CT设备端直接连接。基于深度学习的辅助诊断模型部署在高性能计算平台上，其中中央处理器、AI运算单元、系统内存和系统外存储单元分别采用 Intel Xeon E5-2620 v4 CPU、GEFORCE RTX 2070s GPU、DDR4 32 GB 高速内存、250 GB SSD 固态硬盘。

（3）快速预警功能设计。在影像检查室、诊断室及PACS终端电脑均安装基于深度学习的COVID-19影像辅助诊断软件。对于COVID-19影像辅助诊断系统提示为疑似COVID-19的患者，列表中设置红色预警提示框（图2），预警提示框自动弹出，并滚动播放，以提醒技师、医师及时对该患者快速启动科内应急响应，做出及时响应处理。

（4）科内应急机制响应。对预警提示的患者经初步核对确认后，对预警患者施行放射科专用的患者临时隔离观察室，并及时通知（科内PACS系统消息或电话）诊断医师对疑似病例进行快速初诊，同时对CT室进行严格消毒措施[9-10]；及时出具报告及图像排版打印；接触人员手卫生及消毒、信息采集与登记等。

（5）疑似患者院内信息获取功能。疑似患者院内信息获取功能包括对患者流行病学史自动或手动获取的功能，患者临床病史及相关检验信息自动或手动获取。

（6）院内应急机制启动。对由诊断医师判断为疑似患者，系统可通知发热门诊对疑似患者启动院内应急机制，包括疑似患者隔离、发热门诊进一步确诊、相关信息采集及做出相应的临床决策和处理。

1.2 基于人工智能的COVID-19影像预警系统的应用评估

系统评估包括对模型准确性及敏感性评价、系统预警判断时间、系统应急反应时间。

1.2.1 系统准确性及敏感性评价

回顾性收集2020年1月1日至2020年2月17日我院确诊的COVID-19患者的高分辨CT影像数据，有23例患者，共计60次胸部CT检查。其中，男性患者11例，女性患者12例，最小年龄22岁，最大年龄80岁，平均年龄（42±29.84）岁，主要影像学表现为磨玻璃影、结节影、斑片影、斑片及条索状影。

为了验证模型效果及数据的多样性，同时回顾性纳入与确诊COVID-19患者具有相似（且无统计学差异）年龄、性别、影像表现的非COVID-19肺炎患者以及健康人群的150次胸部检查数据。共210次胸部CT检查数据作为模型外部试验数据导入系统中，统计模型预测的疑似COVID-19病例数和非疑似病例数。

1.2.2 系统预警判断时间及应急反应时间

预警患者判断时间定义为模型接收数据到做出预测的时间，它包括模型接收数据的时间以及模型运算做出预测的时间。应急反应时间定义为模型发出预警至诊断医师做出判断，患者在检查室等待的时间。前瞻性收集2020年2月24日至2020年2月28日我院预测数据，共计1200次胸部CT检查，计算系统平均接收数据时间及模型预测时间，统计预警患者应急反应时间。

1.3 统计学分析

所有计量资料采用均值±标准差（

±s）表示。预警系统准确性评价以测试数据中确诊COVID-19患者作为金标准，基于二分类（疑似COVID-19和非COVID-19）计算系统预测COVID-19的正确率、敏感性、特异性、漏诊率、误诊率。

2 结果

2.1 基于人工智能的COVID-19影像预警系统结构

本研究搭建的基于人工智能的COVID-19影像预警系统结构（图3），嵌入了放射科影像技师检查、医师诊断工作流程，设置及时智能预警提示，并同步启动科室应急机制，对疑似患者做进一步临床决策和处理。当患者接受高分辨CT检查后，通过预警系统快速响应：① 当发出预警后，启动科室应急机制，安排被预警患者在科室COVID-19患者临时观察等候区活动，诊断医师提前对其进行诊断，并根据结果联动相关院内相关科室对患者进行进一步临床决策和处理；② 当系统未发出预警提示，该患者则按照正常流程等候检查结果或自行选择离开影像科等。

2.2 预警系统测试数据分布及结果

在收集的回顾性测试数据210次胸部CT中（表1），确诊的23例COVID-19患者共60次CT检查图像均被预警提示为“疑似COVID-19患者”；另外在150次非COVID-19患者数据中，被预警提示为“疑似COVID-19患者”有26次。系统预测COVID-19患者正确率为87.62%，敏感性为100%、特异性为82.67%、漏诊率0，误诊率17.33%。

2.3 基于人工智能的COVID-19影像预警系统应用效果

前瞻性纳入预警系统2020年2月24日至2020年2月28日接收的全部胸部CT检查，共接收1200例患者胸部CT数据，实际确诊患者预警系统提示可疑COVID-19患者189例。系统平均数据接收时间为（119.09±113.53）s，平均预测时间为（105.80±48.50）s，最快预测时间为40 s，应急反应时间为（5±3）min（表2）。

3 讨论

COVID-19已是全球的重大公共卫生事件。如何做到有效的早筛查、早诊断、早隔离、早治疗尤为重要。根据广东疾控中心一份研究发现，至2020年2月10日广东省人群感染COVID-19数呈持续增加，且社区感染和院内感染增加明显[11]。做好院内防控感染，建立相应的科室应急及院内应急制度，加强院内联动机制，做好全院COVID-19预警具有重要意义。根据国家卫生健康委员会发行的最新诊疗方案，COVID-19的诊断主要根据流行病学、临床症状、CT表现和COVID-19核酸检测，核酸检测阳性被认为是确诊此类疾病的金标准。但是，研究显示，其阳性检出率低，且结果易受多种因素影响[12]。同时，通过相关模型预测COVID-19再生指数为2.20～3.58，说明病毒依然存在持续人传人可能性[13-15]。Wu等[16]研究发现，如果降低城市传播率25%，地方流行病的增长率和规模都将大大降低，说明及早对COVID-19进行筛查，做到早诊断、早隔离可大大降低其传播率。本研究将COVID-19智能辅助诊断模型嵌入放射科影像检查流程中，搭建了基于人工智能的COVID-19快速筛查、诊断的预警系统，并评估了其应用效果，有助于减少因诊断工作量大及技师诊断水平不足而导致的临床漏筛患者，从而降低因影像延误诊断而导致的交叉感染的风险，对于实现COVID-19早筛查、早诊断、早隔离、早治疗及预防院内交叉感染具有重要意义。

新型冠状病毒感染的肺炎诊疗方案（试行第六版）中指出重型、危重型患者病程中可为低热，甚至无明显发热。另外，高璐等[17]研究发现，部分患者核酸检查为阴性，肺内已出现病灶，COVID-19的影像学表现可与临床表现不完全匹配。也有研究显示普通型COVID-19患者CT表现为散在分布于双肺的多发斑片状磨玻璃样密度病灶，以胸膜下肺外周为主[16]。它的表现具有一定的特征性，但与其他类型病毒性肺部感染征象仍存在一定的相似之处，需要鉴别诊断[18]。影像技师为放射科最早接触患者CT影像资料的医护人员，但受诊断水平影响，往往容易出现不能准确识别而延误诊断。本系统将推想科技有限公司研发的AI肺炎特别版模型应用于放射科检查流程中，在接收数据后最快40 s做出预测，将科内应急时间缩短至5 min左右，且对COVID-19患者预测敏感性达到100%，特异性达82.67%。对系统预警为疑似患者，启动相应院内应急机制，并对机房进行隔离与消毒，有助于避免因延误诊断而导致的院内交叉感染。本系统在我院使用期间单日最高结束430次胸部高分辨CT筛查，该预警系统的使用有助于提高诊断效率的同时，也避免了因工作量大而导致的COVID-19延误诊断。

本文研究也存在以下不足：① 本文预警只作科室内应用，并未建立基于整个诊治流程的应用系统，对院内各个环节无自动化衔接，后期可作全院自动化预警系统设计；② 本系统预警时间尚待优化处理，后期可优化数据传输，并重新设立预警任务建立时间，进一步提升预警速度。

综上，基于人工智能的COVID-19影像预警系统可大批量、高效处理CT检查数据，对COVID-19患者进行快速筛查，及时发出预警提示，启动放射科应急响应，并进一步快速启动院内其他相关科室对患者的及时响应、及时做出相应决策和处理。该系统整体上有助于减少可疑COVID-19患者放射科就诊时间和在院整体就诊时间，进而也有助于减少因在放射科及院内就诊等候造成的院内交叉感染的风险，可优化COVID-19患者诊治流程，提升诊断效率。

[1] The Lancet.Emerging understandings of 2019-nCoV[J].Lancet,2020,395(10221):311.

[2] Gates B.Responding to Covid-19 - A once-in-a-century pandemic?[J].N Engl J Med,2020,382(18):1677-1679.

[3] 中国疾病预防控制中心新型冠状病毒肺炎应急响应机制流行病学组.新型冠状病毒肺炎流行病学特征分析[J].中华流行病学杂志,2020,41(2):145-151.

[4] 国家卫生健康委员会.新型冠状病毒感染的肺炎诊疗方案(试行第六版)[EB/OL].(2020-02-19)[2020-02-27].http://www.nhc.gov.cn/yzygj/s7653p/202002/8334a8326dd94d329df351d7da8a efc2.shtml.

[5] 中华医学会放射学分会.新型冠状病毒肺炎的放射学诊断:中华医学会放射学分会专家推荐意见(第一版)[J].中华放射学杂志,2020,54.

[6] Wang Y,Yan F,Lu X,et al.IILS: intelligent imaging layout system for automatic imaging report standardization and intra-interdisciplinary clinical workflow optimization[J].EBioMedicine,2019,44:162-181.

[7] 黄璐,韩瑞,于朋鑫,等.新型冠状病毒肺炎不同临床分型间CT和临床表现的相关性研究[J].中华放射学杂志,2020,54:E003.

[8] 唐永强,石明国,张树,等.人工智能助力2019冠状病毒病胸部CT诊断的应用[J].中国医疗设备,2020,35(3):14-16.

[9] 中华医学会影像技术分会,传染病影像技术专业委员会专家共识协作组.新型冠状病毒肺炎放射检查方案与感染防控专家共识(第一版)[J].新发传染病电子杂志,2020,5(1):1-9.

[10] 中华医学会影像技术分会.新型冠状病毒肺炎影像学检查院内感染防控管理:中华医学会影像技术分会推荐意见(第一版)[J].中华放射学杂志,2020,54(4):286-291.

[11] Riou J,Althaus CL.Pattern of early human-to-human transmission of Wuhan 2019 novel coronavirus (2019-nCoV), December 2019 to January 2020[J].Euro Surveill,2020,25(4):2000058.

[12] 莫茜,秦炜,傅启华,等.正确认识新冠病毒核酸检测的影响因素[J].中华检验医学杂志,2020,43:E002.

[13] Chen TM,Rui J,Wang QP,et al.A mathematical model for simulating the phase-based transmissibility of a novel coronavirus[J].Infect Dis Pov,2020,9(1):1-8.

[14] Riou J,Althaus CL.Pattern of early human-to-human transmission of Wuhan 2019 novel coronavirus (2019-nCoV), December 2019 to January 2020[J].Eurosurveillance,2020,25(4):2000058.

[15] Liu T,Hu J,Kang M,et al.Transmission dynamics of 2019 novel coronavirus (2019-nCoV)[J].bioRxiv,2020.

[16] Wu JT,Leung K,Leung GM.Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: a modelling study[J].Lancet,2020,392(10225):689-697.

[17] 高璐,张静平,杜永浩,等.输入性新型冠状病毒肺炎的CT表现[J].西安交通大学学报(医学版),2020,41(3):429-434.

[18] Franquet T.Imaging of pulmonary viral pneumonia[J].Radiology,2011,260(1):18-39.

基于人工智能的新型冠状病毒肺炎放射科预警系统研究

引言