深度学习|深度学习算法应用于COVID-19影像学诊断
《柳叶刀-数字医疗》（The Lancet Digital Health）近日发表来自华中科技大学同济医学院附属同济医院王伟教授团队领衔的论文，研究旨在开发一种基于胸部CT的深度学习算法，用于发热门诊的快速分流 。《柳叶刀-数字医疗》（The Lancet Digital Health）主编Dr. Rupa Sarkar对王伟教授进行了采访，解读本研究深度学习算法的原理，研究结果以及探讨人工智能模型如何帮助COVID-19患者 。
作者介绍
王伟
教授，博士生导师
华中科技大学常务副校长，国家重大公共卫生事件医学中心主任 。中华医学会神经病学分会常委，中华医师学会神经病学分会副会长 。主要研究方向为神经系统重大疾病发病机制以及治疗干预策略 。
作者采访
1
Rupa Sarkar：请您简单介绍一下本篇论文的研究内容和相关的研究背景 。
王伟教授：COVID-19暴发初期，尤其在疫区，大量患者涌入发热门诊，极大增加了一线医务人员的接诊压力 。RT-PCR由于早期的资源紧缺，无法完全满足临床需求，胸部CT成为筛查新冠疑似患者的重要工具[1,2,3,4]，但也给影像科医师带来了巨大的压力 。除了发热门诊，大量新冠确诊患者在住院期间需要定期进行CT检查以确认病程发展，精准的影像学评估对医师提出了更高的要求 。
华中科技大学同济医学院附属同济医院（同济医院）在此次疫情中身处抗疫一线，强烈感受到了COVID-19暴发给医疗资源带来的压力 。从临床实际需求出发，同济医院联合北京推想科技有限公司、武汉科技大学附属天佑医院（天佑医院）、咸宁市中心医院、中南大学湘雅二医院（湘雅二院）和深圳市第三人民医院（深圳三院），共同开展将深度学习算法应用于COVID-19影像学诊断的跨学科多中心研究 。基于大量RT-PCR确诊新冠患者的胸部CT影像，我们训练得到了一个可用于分诊疑似新冠患者与自动分析确诊患者影像学表现的深度学习算法（figure 1） 。通过在不同新冠发病率地区的临床中心数据集上的充分验证，本研究证明深度学习可有效提升发热门诊的病人流转效率，辅助医师精准分析确诊患者的病情进展 。
文章图片
【深度学习|深度学习算法应用于COVID-19影像学诊断】Figure 1:Development and validation of a deep learning algorithm to provide rapid triage in fever clinics and to automatically analyse lung opacities on the basis of chest CT scans
(A) Overview of the development and validation of the algorithm. (B) Evaluation of triage efficiency; black lines show the standard workflow in Chinese fever clinics; after a patient's CT examination is completed, a first reader drafts a radiology report in a first-in-first-out order and then a second radiologist revises and approves the first reader's report before sending it to a fever clinician; after receiving the radiological report the fever clinician decides whether the patient qualifies as a suspected case and should receive RT-PCR testing; we proposed that through directly notifying either the second radiologist (ie, scan-to-second-reader triage; red line) or the fever clinician (scan-to-fever-clinician triage; green line) of suspected cases triaged by AI, the workflow in fever clinics could be expedited. AI=artificial intelligence.
2
Rupa Sarkar：请您介绍一下研究中使用深度学习算法的基本原理
王伟教授：考虑到本文旨在同时实现疑似新冠患者分诊和确诊患者病程分析两个研究目标，我们采用了以体素分类为基础、病灶分割为媒介、患者分类为目的U-Net深度学习算法 。U-Net是比较经典的深度学习分割算法，其关键设计在于编码器与解码器路径之间的连接路径可以在模型的解码过程中融合低级特征与高级特征，来实现更准确的体素分类与定位 。COVID-19患者的胸部CT影像表现主要双肺多发斑片状磨玻璃影、实变影等，随病情发展病灶的体积和形态亦会发生变化 。本研究选择使用U-Net作为基础网络结构也是希望验证一个相对简单、通用的深度学习模型是否可以快速的在新疾病上产出实际临床应用价值 。
推荐阅读
- 医师法|22年来首次大修！权威专家深度还原《医师法》修订过程
- 素质教育|别再盲目崇尚素质教育：人大教授的一句话点醒众人，父母更要学习
- 体检|体检报告怎么看？军医为你解读！
- science|新冠疫苗哪种好？如何选择？Science给出深度文章
- 变异毒株|深度解析：变异毒株Delta肆虐，新冠疫苗第三针怎么打？
- 佛系|你不是佛系躺平，你就是懒！（深度）
- 癌症|癌症最强深度科普，读此一文，远离癌症！
- 癌症|日本癌症发病率高出中国2倍，为何平均寿命却很高？有3点值得学习
- 减肥|学习2个减肥方法，6个居家燃脂动作，帮你降低体脂率！
- 孩子|学习不好的孩子活着有多难，三个故事看得流泪了！