Article Info

新型冠状病毒肺炎（Coronavirus Disease 2019，COVID-19）是由一种新型冠状病毒感染导致的肺部炎症，国际病毒分类委员会冠状病毒研究小组将该病毒命名为SARS-CoV-2。该病毒具有较强的传染性，感染者病情发展迅速，严重者会出现呼吸窘迫综合征、呼吸衰竭等并发症，甚至可导致死亡[1]。目前，临床根据流行病学史、临床症状、实验室检查结果、胸部影像表现以及核酸检测或基因测序同源对比等信息将患者分为疑似病例和确诊病例。针对湖北地区，国家卫生健康委员会发布的《新型冠状病毒感染的肺炎诊疗方案（试行第五版）》[2]，曾依据肺炎影像学特征，将疑似患者纳入临床诊断病例的分类。可见，胸部影像学检查在COVID-19诊断中的重要作用。此外，《新型冠状病毒感染的肺炎诊疗方案（试行第六版）》[3]指出，胸部影像学显示24～48 h内病灶明显进展＞50%者按重型管理，最新版《新型冠状病毒感染的肺炎诊疗方案（试行第七版）》[4]出院标准之一为胸部影像学显示急性渗出性病变明显改善，表明胸部影像学征象对于COVID-19的治疗也具有重要的指导作用。

近几年，以深度学习为代表的人工智能（Arti ficial Intelligence，AI）技术在医学影像领域迅速发展，AI技术在提高疾病检出率、提升疾病诊断效率的同时，大大缓解了临床工作负担，是医生诊断疾病的得力助手[5-7]。AI技术多应用于医学影像中的分类、检测和分割等基本问题，如肺结节检测系统在早期肺癌筛查中的应用等[8]。AI辅助诊疗系统具备良好的检测敏感性和自动定量分析功能[9]，目前针对COVID-19疫情的AI辅助诊疗系统也已经开发落成，本文旨在探索影像AI辅助诊疗系统在新型冠状病毒肺炎诊疗中的应用价值。

1 资料与方法

1.1 一般资料

研究入组2020年1月27日至2020年2月20日期间，就诊于北京市海淀医院（北京大学第三医院海淀院区）的29例COVID-19确诊患者，诊断标准符合国家卫生健康委员会《新型冠状病毒感染的肺炎诊疗方案（试行第五版）》[2]，回顾性收集其44次胸部CT影像检查数据。在29例患者中，男14例，女15例，年龄24～75岁，平均年龄（49.2±1.4）岁。入组患者均具有典型的流行病学接触或暴露史，其中10例具有武汉旅行史或居住史，其余19例患者具有确诊病例密切接触史或共同居住史，其中7例为家庭聚集发病。临床症状主要包括：发热（20例，70.0%），咳嗽（15例，1.7%），咽痛（2例，6.9%），鼻塞（2例，6.9%），乏力（1例，13.8%），腹泻（5例，17.2%），肌肉酸痛伴乏力（3例，10.3%），另有1例患者无明显临床症。本研究经北京市海淀医院（北京大学第三医院海淀院区）伦理委员会批准同意。

1.2 检查、诊断方法及影像分期

所有患者均进行胸部CT平扫，采用美国GE 64排VCT扫描仪。扫描参数：管电压120 kV，管电流自动调节，层厚5 mm，层间距5 mm，薄层重建0.625 mm，扫描范围自胸廓入口至后肋膈角水平。所有原始图像经过PACS传输至影像诊断工作站。

所有图像由2名具有丰富工作经验的放射诊断医师同时采用常规阅片方式和AI辅助诊疗系统辅助阅片方式进行分析，确定肺部病变的分布情况（右肺上叶、中叶、下叶，左肺上叶、下叶）并观察病变影像特征，当结果出现分歧由更高年资副主任医师评定，诊断用时取两者平均值。

（1）常规阅片方式。先逐一观察患者厚层5 mm肺窗和纵膈窗图像，肺窗窗宽1600 HU，窗位-600 HU；纵膈窗宽 300～350 HU，窗位 35～80 HU。大体观察肺内感染情况，并记录肺叶受累情况，然后快速观察薄层重建（0.625 mm）系列图像，并补充肺叶受累情况及肺内感染的特征表现，记录诊断用时。

（2）AI辅助诊疗系统辅助阅片方式。应用AI辅助诊疗系统（InferRead CT Pneumonia，北京推想科技有限公司）进行定量分析。该系统基于深度学习肺脏分割和病灶分割算法，首先完成不同肺叶体积的计算，通过识别勾勒感染区域病灶计算相应体积；在此基础上，根据感染区域内CT值的分布情况，计算实性病变的大小；最终出具感染区域体积占比及感染区域实变分析报告。其中，病灶分割算法采用湖北地区合作医院COVID-19患者胸部影像资料，在高年资医生精准勾勒肺炎病灶的基础上训练、测试而来。

CT检查阳性标准：出现下列任何一条为影像疑似病例。① 单发、多发或弥漫磨玻璃影/结节（Ground-Glass Opacity，GGO），其内见增粗血管及增厚壁支气管影穿行，伴有或不伴有局部小叶间隔网格状增厚；② 单发或多发实变影；③ 影像疑似病例3～5 d后复查CT出现原有GGO/结节或实变范围增大、数量增多。

1.2.3 影像征象分析

COVID-19具有一定的影像学典型征象。临床实践中，根据病变受累的范围和表现，推荐将COVID-19CT表现分为3个阶段：早期、进展期和重症期，部分患者经过隔离治疗可出现放射学转归期[10]。本研究结合临床病史、治疗情况及CT表现将所有检查按上述方法分期，临床无明显变化的按影像进展情况分期。入组的29例患者共进行了44次CT检查，初诊16例患者早期5例，进展期8例，重症期1例，放射学转归期2例；复诊13例患者1例表现为早期到进展期，6例表现为进展期到放射学转归期，4例表现为早期到放射学转归期，另有2例进行了两次复查，均表现为早期到进展期后再到放射学转归期。共计符合COVID-19早期影像12次，进展期17次，重症期1次，放射学转归期14次。

1.2.4 COVID-19的CT影像表现

早期单肺或双肺多发局限性磨玻璃、结节、淡片影，结节影周围多数伴有“晕征”（图1a），病变多散在分布。进展期病变范围增大并多发新发病灶，磨玻璃影内程度不等的实变影，其内伴有血管增粗、微血管增多，支气管气象（图1b），融合后病变范围和形态常发生变化，病灶不完全沿支气管血管束分布。重症期双肺弥漫性磨玻璃及实变，密度不均，双肺大部分受累时呈“白肺”表现（图1c）。随着临床治疗效果的显现最终达到放射转归吸收期，影像表现为病灶缩小，密度减低，实变、磨玻璃影大部吸收，部分患者仍残留少许磨玻璃影及索条影（图1d）。

1.3 统计学分析

采用SPSS 20.0统计学软件进行分析，P＜0.05作为统计学显著性水平。定量资料符合正态分布，采用均值±标准差（

±s）表示。常规阅片方式和AI辅助阅片方式下对肺叶的检出情况及诊断用时采用t检验进行对比；对比AI测量数据（肺感染体积占比及感染区域实性分析）值在COVID-19早期、进展期及放射学转归期之间的差异应用One-way ANOVA检验，并采用LSD-t检验法进行组间校正。其中，COVID-19重症期只有1例，不做分析。

2 结果

2.1 两种阅片方式受累肺叶检出及用时对比

本研究29例患者44次检查中，常规阅片方式检出感染肺叶102个，其中右肺上叶16个，中叶13个，下叶31个，左肺上叶14个，下叶28个；AI辅助诊疗系统辅助阅片方式检出感染肺叶128个，其中右肺上叶19个，中叶20个，下叶34个，左肺上叶22个，下叶33个。AI辅助诊疗系统辅助下受累肺叶的检出明显增加，具有统计学意义（P＜0.05）。两位资深主治医师常规阅片方式平均用时（3.18±2.03）min，使用AI辅助阅片方式平均用时（0.67±0.56）min，两者具有明显统计学差异（P＜0.05）。常规阅片方式与AI辅助诊疗系统辅助阅片方式COVID-19患者肺内病灶检出及诊断用时情况，见表1。

2.2 AI辅助诊疗系统的定量评估

AI辅助诊疗系统定量分析显示，在肺感染区域体积占比方面，COVID-19早期、进展期及放射学转归期在全肺、右肺上叶、右肺下叶、左肺上叶、左肺下叶三期组间具有统计学差异（P＜0.05），右肺中叶三期体积占比不具有统计学差异。在感染区域实变分析方面，COVID-19早期、进展期及放射学转归期在CT值＞60 HU，-270～30 HU范围内体积占比三期组间具有统计学差异（P＜0.05）。而在CT值30～60 HU、＜-270 HU范围内不具有统计学差异。经LSD-t检验校正，肺感染区域体积占比COVID-19早期低于进展期，进展期高于放射学转归期，组间对比具有统计学差异（P＜0.05），早期与放射学转归期两组间不具有统计学差异；感染区域实变分析显示CT值在＞60 HU及-270～30 HU分布范围内COVID-19早期与进展期，进展期与放射学转归期组间对比具有统计学差异（P＜0.05）。COVID-19早期、进展期及放射学转归期AI感染区域体积占比及感染区域实变分析情况，见表2和表3。

3 讨论

COVID-19因其传染性强、潜伏期长等特点，已在短时间内蔓延至全球多个国家，被世界卫生组织宣布为国际突发公共卫生事件[11]。目前，国内疫情防控取得阶段性进展，但疫情形势仍然严峻，境外输入性COVID-19逐渐增多，早发现、早隔离是控制疫情的关键所在，但新型冠状病毒核酸检测时间长，不排除存在部分假阴性[12]。CT作为一种主要筛查和辅助诊断方法，具有方便、快捷、直观的特点，可早期发现疑似病例[13]。有研究指出AI辅助诊疗影像系统与PCR核酸检测是互补的[14]，具有快速、易操作、高稳定性等优势，可以作为医生筛查COVID-19疑似病例并采取必要措施的第一手信息和直接参考。

CT的密度分辨力高，可以更好地显示肺部小病灶及病变细节及特点，能检测出肺部毫米级病灶，灵敏性高[15]。CT影像图片较多、工作量大，一次CT扫描就产生超过300幅影像，其诊断准确性一定程度上取决于影像诊断医师的诊断水平和细致程度。在工作强度较大的情况下，容易出现微小病变的漏诊。本研究中AI辅助阅片方式平均诊断用时（0.67±0.56）min，明显低于常规阅片方式（3.18±2.03）min；AI辅助诊疗系统对受累肺叶的检出明显高于常规阅片方式（128 vs. 102），且该系统具有良好的结果重现性，不受主观因素和疲劳程度影响。特别指出，本研究发现在常规阅片方式未发现阳性病灶的1个病例中，AI辅助诊疗系统辅助阅片时提示数个微小结节灶、局部边缘欠清，后期复查病灶明显增多、范围增大。可见，对于病变征象极为不明显的早期COVID-19患者，AI辅助诊疗系统表现出了更好的检测效果（图2），为COVID-19的准确诊断提供了保障，减少了漏诊、误诊。

目前，针对COVID-19的影像学特征还缺乏详细的应用场景与定量评估分析，多以影像表现描述为主[16-19]。有研究报道了基于影像特征的AI辅助诊疗系统，探讨了AI在肺炎诊断中的作用[20]，提出重型及危重型COVID-19患者病灶占整肺百分比呈现递增趋势。本研究结合临床病史以普通型为主，仅1例为重型患者，病灶占整肺百分比程度相对较小，同样验证了该系统的定量评估作用。对于肺炎疑似患者，该系统会立即生成肺炎分析报告，包含感染区域体积占比和感染区域实变分析两个方面。本研究分析得出全肺、右肺上叶、右肺下叶、左肺上叶、左肺下叶体积占比早期低于进展期，进展期高于放射学转归期，总体结合临床治疗情况大致吻合。感染区域实变分析表明CT密度值在＞60 HU、-270～30 HU 范围内 COVID-19 早期与进展期，进展期与放射学转归期具有统计学差异，早期低于进展期，进展期高于放射学转归期，CT值＞60 HU属于新鲜出血及更高密度CT值范围，考虑与感染组织内血管成分有关，因此本研究认为-270～30 HU的密度值范围更加真实反应了感染区域的实变情况。研究对13例复诊患者分析发现，AI辅助诊断报告感染区域体积占比和感染区域实变分析基本随COVID-19影像分期、临床病变程度相匹配，即病变加重感染区域体积占比增高，感染区域实变分析CT值整体分布密度增高趋势，反之减低（图3），其中有1例患者出现感染区域体积占比和感染区域实变分析不匹配情况，肺炎体积占比明显减小，但是实变分析示CT密度值呈整体增高趋势，考虑为病灶吸收后残余炎性纤维索条所致。可见，定量分析指标的变化量能够直观地反映疾病的转归。

尽管CT无法成为COVID-19确诊的检查手段，但其在COVID-19筛查中具有明显的优势，AI辅助诊疗系统大大提高其诊断效率，使诊断流程更顺畅、更精确，并通过对肺炎病灶变化的量化评估，使COVID-19的病程进展的精准监测成为可能。本研究的不足之处在于样本量太小，因为患者入院时间短，对COVID-19的定量研究尚缺乏足够的数据支持，需进一步跟进病程进行动态研究。

[1] 陆雪芳,龚威,王莉,等.新型冠状病毒肺炎初诊临床特征及高分辨率CT影像表现[J].中华放射学杂志,2020,54:E006.

[2] 国家卫生健康委员会.新型冠状病毒感染的肺炎诊疗方案(试行第五版)[EB/OL].(2020-02-05)[2020-02-27].http://www.nhc.gov.cn/xcs/zhengcwj/202002/3b09b894ac9b4204a79db5b891 2d4440.shtml.

[3] 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].(2020-02-18)[2020-02-27].http://www.nhc.gov.cn/xcs/zhengcwj/202002/8334a8326dd94d329df351d7da8a efc2.shtml.

[4] 国家卫生健康委员会,国家中医药管理局.新型冠状病毒肺炎诊疗方案(试行第七版)[EB/OL].(2020-03-03)[2020-03-13].http://www.nhc.gov.cn/yzygj/s7653p/202003/46c9294a7dfe4ce f80dc7f5912eb1989.shtml.

[5] 崔凤至,弓婷婷,刘建华,等.人工智能在胸部疾病诊断中的研究进展[J].中国医疗设备,2019,34(9):164-167.

[6] Sahiner B,Chan HP,Hadjiiski LM,et al.Effect of CAD on radiologists’ detection of lung nodules on thoracic CT scans:analysis of an observer performance study by nodule size[J].Acad Radiol,2009,16(12):1518-1530.

[7] Xia Y,Lu S,Wen L,et al.Automated identi fication of dementia using FDG-PET imaging[J].Biomed Res Int,2014,2014:421743.

[8] 李欣菱,郭芳芳,周振,等.基于深度学习的人工智能胸部CT肺结节检测效能评估[J].中国肺癌杂志,2019,22(6):336-340.

[9] 史张,张雪凤,蒋涛.影像组学在肺癌精准诊疗中的研究进展[J].中国肺癌杂志,2019,22(6):385-388.

[10] 规范与共识,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].中华医学会放射学分会中华放射学杂志,2020,54:E001.

[11] Sohrabi C,Alsa fiZ,O’Neill N,et al.World Health Organization declares global emergency: a review of the 2019 Novel Coronavirus (COVID-19)[J].Int J Surg,2020,76:71-76.

[12] 里进,叶光明,陈良君,等.新型冠状病毒(2019-nCoV)核酸检测假阴性结果原因分析及对策[J].中华检验医学杂志,2020,43:E006.

[13] Jin YH,Cai L,Cheng ZS,et al.A rapid advice guideline for the diagnosis and treatment of 2019 novel coronavirus(2019～nCoV) infected pneumonia (standardversion)[J].Mil Med Res,2020,7(1):4.

[14] Li D,Wang D,Dong J,et al.False-negative results of real-time reverse-transcriptase polymerase chain reaction for severe acute respiratory syndrome coronavirus 2: role of deep-learningbased CT diagnosis and insights from two cases[J].Korean J Radiol,2020,21(4):505-508.

[15] Travis WD,Brambilla E,Noguchi M,et al.International association for the study of lung cancer/ American thoracic society/European respiratory society: international multidisciplinary classification of lung adenocarcinoma - an executive summary[J].Proc Am Thorac Soc,2011,8(5):381-385.

[16] Lei J,Li J,Li X,et al.CT imaging of the 2019 novel coronavirus(2019-nCoV) pneumonia[J].Radiology,2020,295(1):18.

[17] Chung M,Bernheim A,Mei X,et al.CT imaging features of 2019 novel coronavirus (2019-nCoV)[J].Radiology,2020,295(1):202-207.

[18] 余成成,瞿静,张烈光,等.广州地区新型冠状病毒肺炎的高分辨率CT表现与临床特点[J].中华放射学杂志,2020,54:E010.

[19] 刘海峰,张东友,阳义,等.新型冠状病毒肺炎首次胸部高分辨率CT影像分析[J].中华放射学杂志,2020,54:E007.

[20] 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.

人工智能辅助诊疗系统在新型冠状病毒肺炎诊疗中的应用初探

引言