淺談AI技(jì )術在COVID-19診療中的應用(yòng)

發布日期：2022-08-25 閱讀次數：12459 來源：中國(guó)醫(yī)藥報

摘要：

新(xīn)型冠狀病毒肺炎（COVID-19）疫情的快速傳播為(wèi)世界公共衛生系統帶來巨大挑戰。短時間内，大量患者湧入急診和發熱門診接受診斷和治療，醫(yī)療機構負荷驟然上升。作(zuò)為(wèi)COVID-19診斷的重要方法，CT影像和實時熒光RT-PCR檢測能(néng)力亟待提高。同時，由于缺乏對患者病情走勢的判斷依據，醫(yī)護人員往往難以提前對COVID-19急性并發症患者進行幹預。

人工智能(néng)（AI）技(jì )術的運用(yòng)有助于應對上述挑戰。其基于卷積神經網絡、機器學(xué)習和深度學(xué)習等技(jì )術，通過對海量數據進行訓練和學(xué)習，使算法模型具有良好的決策判斷能(néng)力、适應能(néng)力和自我完善能(néng)力。在COVID-19診斷和治療過程中，AI技(jì )術可(kě)以高效輔助醫(yī)護人員，在緩解醫(yī)療資源緊張、減少人為(wèi)失誤、提高診斷質(zhì)量、預測病情趨勢等方面發揮重要作(zuò)用(yòng)。國(guó)内外研究人員在該領域積極開展相關研究，以使現有診療方法在AI技(jì )術的幫助下發揮更大作(zuò)用(yòng)。

利用(yòng)胸部CT的AI診斷

胸部高分(fēn)辨率CT（HRCT）是當前篩查COVID-19的首選影像學(xué)方法。COVID-19患者早期多(duō)發小(xiǎo)斑片影，晚期多(duō)發雙肺磨玻璃影和浸潤影。利用(yòng)AI技(jì )術建立的算法模型，通過訓練學(xué)習上述影像特征，能(néng)夠輔助醫(yī)師進行閱片，這将極大提高閱片效率，有效解決因醫(yī)師閱片經驗不足或能(néng)力水平差異導緻的閱片質(zhì)量問題。

值得關注的是，為(wèi)保障COVID-19疫情防控所需，國(guó)家藥監局醫(yī)療器械技(jì )術審評中心于2020年3月發布《肺炎CT影像輔助分(fēn)診與評估軟件審評要點（試行）》，以指導相關産品注冊申報。

有研究人員設計了一種基于胸部CT影像的COVID-19 AI診斷算法。研究人員收集了325例COVID-19确診患者的胸部CT影像，以及740例先前被診斷為(wèi)典型性肺炎的患者的胸部CT影像，利用(yòng)卷積神經網絡技(jì )術使其訓練學(xué)習這些影像的特征，特别是學(xué)習COVID-19和普通肺炎的影像區(qū)别，并采用(yòng)内部測試數據集驗證算法性能(néng)。結果顯示，該算法模型曲線(xiàn)下面積（AUC）達0.93，特異性為(wèi)0.88，靈敏性為(wèi)0.87，對單個病例的診斷時間僅為(wèi)10秒(miǎo)。AUC在一定程度上可(kě)以反映算法模型的性能(néng)好壞，其數值越接近1，代表該模型準确度越高。

還有研究人員使用(yòng)基于卷積神經網絡技(jì )術且擅長(cháng)可(kě)視化分(fēn)析的Grad-Cam模型對病竈進行定位分(fēn)析，将具有不同分(fēn)辨率的CT平掃圖像融合為(wèi)3D圖像後，計算被新(xīn)型冠狀病毒侵入的肺部體(tǐ)積，并得出新(xīn)型冠狀病毒評分(fēn)（Corona Score）。該評分(fēn)用(yòng)于評估病毒在肺部的傳播程度，能(néng)夠為(wèi)放射科(kē)醫(yī)生提供有價值的診斷建議。研究者又利用(yòng)含270例COVID-19确診患者胸部CT影像的數據集，對該模型性能(néng)進行了驗證，結果顯示，AUC達0.948，敏感性為(wèi)0.94，特異性為(wèi)0.98。

利用(yòng)常規臨床指征的AI診斷

在COVID-19疫情傳播初期，由于其症狀與流行性感冒以及普通肺炎等其他(tā)呼吸系統疾病症狀類似，需要排查大量的疑似病例。醫(yī)療機構，特别是處于欠發達地區(qū)和基層的醫(yī)療機構，其CT造影和核酸檢測能(néng)力短期内無法滿足這樣的排查需求。

通過大數據分(fēn)析和AI算法研究病例的常規臨床身體(tǐ)指征及病情變化，能(néng)夠輔助COVI D-19患者診斷，且對于新(xīn)型傳染病發病早期患者分(fēn)類分(fēn)級、提高醫(yī)療資源利用(yòng)效率具有重要意義。

有研究人員在COVID-19疫情初期，對醫(yī)院發熱門診收治的132例具有流行病學(xué)意義的COVID-19接觸史病例進行了研究。研究人員将患者體(tǐ)溫、心率、血常規、咳嗽、肌肉疼痛等指标的門診記錄列入采樣特征，采用(yòng)機器學(xué)習算法Lasso遞歸，建立了無CT檢查的疑似病例早期診斷輔助模型。該模型性能(néng)驗證結果顯示，AUC為(wèi) 0.93，敏感性為(wèi)1，特異性為(wèi)0.77。

此外，為(wèi)輔助醫(yī)療機構對COVID-19疑似病例進行診斷，有研究人員設計建立了一種基于常規急診檢查指标的COVID-19陽性預測模型。研究人員收集了巴西聖保羅一家醫(yī)院的235例急診就診病例（其中，70%的病例數據用(yòng)于算法訓練，30%的病例數據用(yòng)于算法驗證），病例全部接受血常規檢查和RT-PCR核酸檢測，結果顯示，有102例患者的核酸檢測結果為(wèi)陽性。随後，研究人員又選取了年齡、性别、血紅細胞數量、紅細胞平均血紅蛋白濃度、C反應蛋白等17項指标，分(fēn)别采用(yòng)5種機器學(xué)習算法訓練模型進行研究。結果顯示，驗證性能(néng)較好的算法是随機樹和支持向量機，這兩種算法的AUC均能(néng)達到0.85。

對患者并發症的AI預測

有研究人員通過回顧性分(fēn)析COVID-19患者入院時的臨床特征發現，重症患者易出現急性呼吸窘迫綜合征（ARDS）、心肌損傷、凝血障礙、腎損傷和休克等并發症。通過分(fēn)析緻病因素、患者身體(tǐ)指征、病情發展時間等數據，利用(yòng)深度學(xué)習等AI技(jì )術，可(kě)提前獲取病情發展趨勢并預測可(kě)能(néng)出現的并發症，這對于患者病情危重程度預判、醫(yī)療資源調配、診療方案早期介入，以及降低COVID-19患者死亡率等都非常重要。

有研究人員收集了53例COVID-19咽拭子核酸檢測陽性确診病例的數據，設計了一種用(yòng)于預測COVID-19患者是否患有ARDS的模型。該研究利用(yòng)機器學(xué)習中的特征工程步驟對數據進行預處理(lǐ)，選取用(yòng)于預測ARDS的具有最小(xiǎo)規模和最大貢獻值的數據特征集。其中，在數據預處理(lǐ)過程中，研究人員采用(yòng)過濾法确定含有谷丙轉氨酶、淋巴細胞數量、肌酐、性别、年齡等11項生化指标的特征集，并将其用(yòng)于模型訓練。結果顯示，該模型預測準确度達到80%。相比之下，采用(yòng)肺部CT手段或通過發燒症狀、淋巴細胞減少症等進行判斷，都無法準确預測ARDS是否發生。

此外，急性腎衰竭（AKI）也是一種危險程度較大的COVID-19并發症。有研究人員收集了紐約市5家醫(yī)院的3235例COVID-19确診住院患者，其中46%的患者出現AKI症狀，這其中的20%的患者需要接受透析治療。該研究通過經改進的決策樹機器學(xué)習算法，建立了一種用(yòng)于推斷COVID-19患者是否需要進行透析治療的模型。研究顯示，該模型的AUC達到0.79。此外，該項研究還利用(yòng)Pyt hon機器學(xué)習模型解釋工具SHAP，對各特征值的重要性進行分(fēn)析。結果表明，肌酐、年齡、血鉀、心率對上述模型結果的影響程度要大于白細胞數量和淋巴細胞數量等其他(tā)特征。

在應對COVI D-19疫情對診療工作(zuò)帶來的巨大挑戰過程中，全球許多(duō)國(guó)家和地區(qū)的研究人員利用(yòng)AI技(jì )術在多(duō)個角度開展相關研究，并取得豐碩成果，在緩解突發重大疫情下醫(yī)療資源緊張、提升醫(yī)療質(zhì)量和降低病死率等方面帶來新(xīn)的機遇。相信随着病例樣本數據量收集範圍的擴大，以及更多(duō)研究力量的積極參與，AI技(jì )術将在COVI D-19診療過程中更好地發揮輔助作(zuò)用(yòng)。