雷鋒網消息，北京時間3月20日，科亞醫療區分新冠肺炎與一般肺炎的“CT+AI”檢測研究成果，被國際頂級放射學期刊《Radiology》收錄並發表，這是《Radiology》發表的首個新冠診斷評估論文。論文標題為《基於肺部CT的人工智能檢測COVID-19和社區獲得性肺炎：診斷準確性評估》
肺部CT異常是新冠肺炎最典型的影像學表現，部分患者肺部影像改變早於臨床症狀，CT已成為當前篩查與診斷新冠肺炎的主要手段。
在回顧性的多中心研究中，科亞醫療採用深度學習技術，開發新冠肺炎的3D檢測神經網絡—COVNet（如圖1所示），從肺部CT中提取各類影像特徵鑑別新冠肺炎。
圖1. 新冠肺炎檢測神經網絡COVNet框架圖
（COVID-19：新冠肺炎；CAP：社區獲得性肺炎；Non-Pneumonia：其他非肺炎）
為開發和驗證該模型的準確性和穩健性，此次研究在六家醫院收集了從2016年8月至2020年2月間共計3322名患者的4356例CT數據，其中包括新冠肺炎、社區獲得性肺炎（非新冠）、以及其他非肺炎患者的CT檢查數據。
在獨立測試集中驗證表明，科亞醫療研發的COVNet對新冠肺炎的鑑別靈敏度和特異性分別高達89.76％和95.77％，ROC（受試者工作特徵）曲線下面積AUC為0.96。
同時，科亞醫療驗證了模型對社區獲得性肺炎的鑑別準確性（靈敏度86.85％，特異性92.28％，AUC為0.95）。研究結果證明了COVNet可以準確地檢測出新冠肺炎，並將其與社區獲得性肺炎和其他肺部疾病區分開。
為了提高模型的可解釋性，科亞醫療的研究團隊基於加權梯度類激活映射方法，來可視化導致深度學習模型COVNet做出決策的重要區域（由模型自動生成）。
圖2.新冠肺炎、社區獲得性肺炎、及非肺炎病例CT的可疑區域熱圖。
COVNet做出了決策的重要區域熱圖，a、b、c列分別展示了新冠肺炎、社區獲得性肺炎、其他非肺炎數據的CT圖（上）和可疑區域熱圖（下）。這些熱圖表明，COVNet最為關注異常區域，同時正確地忽略正常區域，以幫助算法框架識別出病灶區域並做出準確的疾病鑑別。
閱讀更多 雷鋒網 的文章
