基于深度學習的新型冠狀病毒肺炎診斷研究綜述

唐江平，周曉飛，賀 鑫，褚曉文，李世鋒，常慶蕊，張繼勇

（1.杭州電子科技大學 自動化學院，杭州 310018；2.香港浸會大學 計算機科學系，香港 999077；3.中電數(shù)據(jù)服務(wù)有限公司，北京 100191；4.華北電力大學 控制與計算機工程學院，河北 保定 071000）

0 概述

新型冠狀病毒肺炎（Corona Virus Disease 2019，COVID-19）是由嚴重急性呼吸綜合征冠狀病毒（SARS-CoV-2）引起的疾?。?-2］。2019 年，COVID-19疫情迅速蔓延至全球范圍，對人類生命安全構(gòu)成嚴重威脅。據(jù)約翰斯·霍普金斯大學發(fā)布的全球新冠肺炎疫情實時現(xiàn)狀報告［3］，截至2021 年1 月25 日，全球新冠肺炎確診病例累計超過9 925.7 萬例，死亡人數(shù)達213.1 萬，并且確診/死亡人數(shù)呈現(xiàn)持續(xù)快速增長的趨勢［4-5］。

SARS-CoV-2 病毒具有高度傳染性［6-7］，其傳播途徑主要為直接傳播、氣溶膠傳播和接觸傳播。直接傳播是指患者通過咳嗽、打噴嚏和說話產(chǎn)生的飛沫在人群中近距離被吸入導致感染［8］；氣溶膠傳播是指飛沫混合在空氣中形成氣溶膠，被他人吸入后導致感染；接觸傳播是指飛沫沉積在物體表面，而且由于SARS-CoV-2 病毒在環(huán)境中極度穩(wěn)定且隱蔽，可以在不同的物體表面附著數(shù)天［9］，最終通過接觸導致感染。相關(guān)研究結(jié)果表明，COVID-19 的嚴重性不僅在于死亡率，更多取決于其在社區(qū)中傳播速度快和感染率高的特點［10］。賓夕法尼亞州立大學研究人員指出，美國3 月份的新冠病毒病例數(shù)量可能是最初報告的80 倍，增長速度為最初報告的2 倍。近日發(fā)表的一項研究通過對比SARS-CoV-2、SARS-CoV 和中東呼吸綜合征冠狀病毒（MERS-CoV），指出SARS-CoV-2 的致死率最低，僅高于流感，但是其傳染性高于另外兩類冠狀病毒［11］。在致病性方面，結(jié)合臨床觀察可以發(fā)現(xiàn)，COVID-19 感染患者典型的臨床特征以發(fā)熱、乏力、干咳為主要表現(xiàn)，同時，少數(shù)患者伴有鼻塞、流涕、腹瀉等癥狀［12］。更嚴重的是，重癥患者的病情會快速發(fā)展為急性呼吸窘迫綜合征（ARDS）和多器官功能衰竭，甚至導致死亡。此外，還會出現(xiàn)白細胞或淋巴細胞計數(shù)減少等癥狀［13-15］。值得注意的是，基于目前的流行病學調(diào)查可知，SARS-CoV-2 病毒的潛伏期通常為3 天～14 天，且有臨床病例顯示其潛伏期最長可達24 天［16］。在病毒潛伏期間，患者無感染癥狀，潛伏期過后，患者可能出現(xiàn)類似于普通感冒的癥狀，甚至仍然表現(xiàn)為無癥狀感染者。綜上所述，COVID-19 具有高傳染性、強致病性和長潛伏期等特點，對其進行精準、快速診斷存在極大的難度。

目前，核酸檢測是確診COVID-19 最常見的方法［17-18］。該方法利用RNA 逆轉(zhuǎn)錄和聚合酶鏈式反應(yīng)相結(jié)合的技術(shù)（RT-PCR）檢測病毒RNA 片段，且只有通過核酸測試為陽性才能確診。然而，RT-PCR 篩選存在敏感性低的問題，即使可疑患者的RT-PCR 結(jié)果為陰性，也無法完全排除患者被SARS-CoV-2 感染的可能性［19-20］。此外，核酸測試存在耗時較長、需要專用測試盒等缺點，因此，需要進一步加快檢測速度并降低成本。與此同時，據(jù)中國國家衛(wèi)健委印發(fā)的《新型冠狀病毒肺炎診療方案（試行第七版）》，影像學特征被列為新冠肺炎疑似病例三條臨床特征之一，胸部影像臨床診斷結(jié)果也可作為新冠肺炎病例診斷的標準［21］。文獻［22］通過對計算機斷層掃描（Computer Tomography，CT）和RT-PCR 兩種檢測診斷方法進行對比實驗分析指出，相較于RT-PCR 方法，基于胸部CT 圖像的診斷更加快速高效。通常來說，COVID-19患者肺部具有典型的影像學特征，包括毛玻璃結(jié)節(jié)（Ground-Glass Opacities，GGO）、肺硬化、肺纖維化和多發(fā)性病變等［23-25］。

此外，相關(guān)研究也表明，影像學信息能夠在COVID-19 診斷中起到至關(guān)重要的作用［26-27］。但是，基于CT 圖像的人工分析和診斷過程對專業(yè)知識依賴性很高，對CT 圖像特征的分析比較耗時，早期難以觀察到隱匿病變，且難以區(qū)分其他病毒性肺炎和細菌性肺炎。人工智能（Artificial Intelligence，AI）技術(shù)可將視覺影像信息轉(zhuǎn)化為深層次特征信息，且這些信息是可量化的，有助于減少人工操作和提高精準定量分析的效率［28］，其中，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）在肺部疾病的診斷中已經(jīng)能夠達到非常優(yōu)秀的性能［29-30］。因此，為避免當下過度依賴核酸檢測進行COVID-19診斷的局限性，研究人員設(shè)計了多種基于深度學習的COVID-19 檢測診斷模型。這些模型不僅能夠?qū)崿F(xiàn)檢測診斷方式的多元化，而且可使診斷過程更加快速高效，最關(guān)鍵的是，其準確率可以媲美核酸檢測理想情況下高達95%以上的準確率［31］。最近，越來越多的研究人員開始關(guān)注COVID-19 患者醫(yī)學影像數(shù)據(jù)（X 射線（X-ray）圖像或CT 圖像）的獲取，并嘗試在此基礎(chǔ)上構(gòu)建基于深度學習的COVID-19 檢測診斷模型。

本文闡述基于深度學習的COVID-19 檢測診斷研究現(xiàn)狀，對相關(guān)實驗數(shù)據(jù)集和評價指標進行討論和總結(jié)，介紹21 種基于深度學習的COVID-19 檢測診斷模型，根據(jù)模型任務(wù)和影像數(shù)據(jù)類型劃分為單任務(wù)/多任務(wù)檢測診斷模型和基于CT/X-ray 圖像的檢測診斷模型，并對具有代表性的模型從骨干網(wǎng)絡(luò)、數(shù)據(jù)集、數(shù)據(jù)類型、性能表現(xiàn)、分類種類和開源情況6 個不同維度進行分析。在此基礎(chǔ)上，調(diào)研抗疫場景下表現(xiàn)出色的人工智能應(yīng)用實例，并針對基于深度學習的COVID-19 檢測診斷技術(shù)，探討其未來的發(fā)展趨勢。

1 數(shù)據(jù)集

數(shù)據(jù)集是設(shè)計和訓練一個深度學習模型的必要條件。因此，構(gòu)建基于深度學習的COVID-19 診斷模型必須收集醫(yī)學影像數(shù)據(jù)集。

COVID-19 影像數(shù)據(jù)類型主要是X-ray 圖像和CT 圖像，其對應(yīng)的樣本種類包含COVID-19、病毒性肺炎（Viral Pneumonia，VP）、細菌性肺炎（Bacteria Pneumonia，BP）、其他肺炎和正常（normal）等。對常見的8 個公開數(shù)據(jù)集進行整理，具體見表1。

表1 COVID-19 相關(guān)的開源數(shù)據(jù)集Table 1 Related open source datasets for COVID-19

1.1 X-ray 數(shù)據(jù)集

常見的X-ray 數(shù)據(jù)集主要包括COVID-chestxray［32］和pneumonia-chestxray［33］，下文進行具體介紹。

1.1.1 COVID-chestxray 數(shù)據(jù)集

COVID-chestxray 是一個公開的COVID-19 病例數(shù)據(jù)集，包含COVID-19、其他病毒性肺炎和細菌性肺炎（MERS、SARS、ARDS）患者的胸部X-ray 和CT圖像，圖像主要來自在線開源數(shù)據(jù)、網(wǎng)站和文獻［39］中所提到參考文獻。此外，數(shù)據(jù)集作者允許用戶通過github 網(wǎng)站向該數(shù)據(jù)集提交其他COVID-19 數(shù)據(jù)。該數(shù)據(jù)集主要包含434 張COVID-19 的X-ray 正面視圖，只有少量的CT 圖像。

1.1.2 pneumonia-chestxray 數(shù)據(jù)集

pneumonia-chestxray 數(shù)據(jù)集由訓練集、測試集和驗證集組成，包含健康受試者、非COVID-19 病毒性肺炎患者和細菌性患者的5 863 張X-ray 圖像。其中，前后胸部X-ray 圖像選自廣州市婦幼保健中心的1 歲～5 歲兒童患者的回顧性研究。數(shù)據(jù)集作者對所有數(shù)據(jù)進行了篩查，通過去除所有低質(zhì)量或不可讀的掃描圖來進行質(zhì)量控制。然后，由兩名專業(yè)醫(yī)師對圖像進行診斷并給出對應(yīng)的標簽。此外，為盡可能減少人為標記帶來的誤差，由第三位專家對前兩位醫(yī)師的標記結(jié)果進行檢查。值得注意的是，pneumonia-chestxray 是非COVID-19 數(shù)據(jù)集，但是大量研究者構(gòu)建的COVID-19 數(shù)據(jù)集部分采用該數(shù)據(jù)集中的健康受試者、病毒性肺炎患者和細菌性肺炎患者的X-ray 數(shù)據(jù)進行增強。

1.2 CT 數(shù)據(jù)集

常見的CT 數(shù)據(jù)集主要包括COVID-CT［34］、COVID-CT-Seg［35］、CC-CCII［31］、MosMedData［36］、SARS-CoV-2 CT-scan［37］和COVID-CT-set［38］，下文進行具體介紹。

1.2.1 COVID-CT 數(shù)據(jù)集

COVID-CT 數(shù)據(jù)集包含216 名COVID-19 患者的349 張CT 切片和非COVID-19 患者的463 張CT切片。該數(shù)據(jù)集主要收集來自網(wǎng)站和出版物的醫(yī)學影像，即從760 份COVID-19 相關(guān)預印本文獻中收集，這些文獻主要來自medRxiv 和bioRxiv。此外，對于每個CT 圖像，數(shù)據(jù)集作者還收集了從論文中提取的meta 信息，如患者年齡、性別、位置、病史、掃描時間、COVID-19 的嚴重程度和放射學報告。該數(shù)據(jù)集有兩個主要缺點：首先，許多CT 圖像中含有CT 掃描機或醫(yī)生產(chǎn)生的標記，這可能對深度學習技術(shù)產(chǎn)生負面影響；其次，每個病人只有少數(shù)幾張CT 圖像而不是一個完整的3D 掃描體，無法使用3D CNN 來挖掘肺部深層次信息。

1.2.2 COVID-CT-Seg 數(shù)據(jù)集

COVID-CT-Seg 數(shù)據(jù)集是一個公開可用的CT 數(shù)據(jù)集。數(shù)據(jù)集作者對來自意大利醫(yī)學和介入放射學學會網(wǎng)站上的JPG 數(shù)據(jù)進行處理，其中包含40 多個COVID-19 患者的100 張軸向CT 圖像。這些經(jīng)由放射學專家分割的圖像包含毛玻璃、硬化和胸腔積液三類標簽。該數(shù)據(jù)集于2020 年4 月20 日進行更新，增加了20 個標記良好的掃描樣本數(shù)據(jù)，包括左肺、右肺和病變感染區(qū)域的標記。新增數(shù)據(jù)的注釋工作由三位經(jīng)驗豐富的放射科醫(yī)生全程參與，其中兩位放射科醫(yī)生進行標記，一位進行驗證。

1.2.3 CC-CCII 數(shù)據(jù)集

CC-CCII 數(shù)據(jù)集是一個可公開使用的CT 數(shù)據(jù)集，是目前針對COVID-19建立的最大CT數(shù)據(jù)集之一，包含4 154名患者的6 752次掃描結(jié)果，共計617 775張CT切片，包括新型冠狀病毒性肺炎（Novel Corona Pneumonia，NCP）、普通肺炎（Common Pneumonia，CP）和正常對照組（normal）三大類。其中，肺炎包括細菌性肺炎和病毒性肺炎。然而，該數(shù)據(jù)集（2020 年4 月23 日發(fā)布的1.0 版）包含了一些錯誤，如某些掃描中存在CT 圖像次序混亂、部分掃描結(jié)果包含無用的頭部信息但不包括關(guān)鍵肺部信息等。數(shù)據(jù)集作者于2020 年7 月3 號發(fā)布v2.2 版本，解決了壓縮文件損壞問題，同時增加了對應(yīng)的病變分割數(shù)據(jù)集。

1.2.4 MosMedData 數(shù)據(jù)集

MosMedData 數(shù)據(jù)集包含1 000 多位匿名患者的胸部CT 掃描數(shù)據(jù)。數(shù)據(jù)集作者從2020 年3 月1 日至4 月25 日在莫斯科通過統(tǒng)一放射信息服務(wù)（URIS）收集。此外，數(shù)據(jù)集中的所有CT 數(shù)據(jù)均帶有特殊標記，其根據(jù)分類進行標記以反映胸部CT 肺組織中COVID-19 的病理異常表現(xiàn)。數(shù)據(jù)集根據(jù)標記將CT數(shù)據(jù)分為五大類，即從CT-0（正常和無病毒性肺炎的CT）到CT-4（彌漫性玻璃膜混濁，肺實質(zhì)受累超過75%）。同時，為了更好地開發(fā)AI 算法，CT 薄切片被轉(zhuǎn)換為NIFTI 格式。在相應(yīng)的標記中，病例的整體標記用于患者的自動分類，定位標記用于為放射科醫(yī)生指出在CT 掃描中可疑的位置，病理輪廓標記用于肺部病變的自動定量評估和患者兩次CT 之間的動態(tài)評估。此外，專家明確標記了其中50 個CT 掃描集，每個CT 切片上都標出了COVID-19 特有的毛玻璃混濁和硬化的像素區(qū)域，并顯示出肺組織異常。

1.2.5 SARS-CoV-2 CT-scan 數(shù)據(jù)集

SARS-CoV-2 CT-scan 是一個公共可用的SARSCoV-2 CT scan 數(shù)據(jù)集，包含1 252 例SARS-CoV-2 感染陽性（COVID-19）的CT 掃描數(shù)據(jù)和1 230 例未感染SARS-CoV-2 的患者的CT 掃描數(shù)據(jù)。這些數(shù)據(jù)是從巴西圣保羅的醫(yī)院的真實患者處收集的。該數(shù)據(jù)集發(fā)布的目的是鼓勵研究和開發(fā)人工智能算法，旨在通過該數(shù)據(jù)集中的CT 掃描數(shù)據(jù)進行訓練測試分析，確定病人是否被SARS-CoV-2 感染。

1.2.6 COVID-CT-set 數(shù)據(jù)集

COVID-CT-set 數(shù)據(jù)集包含95 例COVID-19 患者的15 589 張CT 掃描圖像和282 例正常受試者的48 260 張CT 掃描圖像，收集于伊朗的一家醫(yī)療中心。為了保護患者的隱私，數(shù)據(jù)集作者將數(shù)據(jù)格式從DICOM 轉(zhuǎn)換為TIFF。該數(shù)據(jù)集采用16 位灰度數(shù)據(jù)，能夠避免8 位數(shù)據(jù)引起的信息丟失問題。此外，將圖像的每個像素值除以其最大像素值，從而得到32 位浮點類型的像素值，使得圖像能夠在常規(guī)的監(jiān)視器中顯示。

在X-ray 數(shù)據(jù)集方面，pneumonia-chestxray 包含大量非COVID-19 肺炎數(shù)據(jù)，該數(shù)據(jù)集被廣泛用于基于深度學習的其他肺炎檢測診斷模型，是一個成熟且豐富的公共數(shù)據(jù)集，COVID-chestxray 則由于包含COVID-19 樣本而被大多數(shù)研究人員所熟知。上述兩個數(shù)據(jù)集通常以組合的形式，共同參與基于深度學習的COVID-19 診斷模型的數(shù)據(jù)集構(gòu)建。而CT數(shù)據(jù)集相對X-ray 數(shù)據(jù)集擁有更多的COVID-19 樣本數(shù)據(jù)，甚至包含大量專家給出的標記（如MosMedData 數(shù)據(jù)集），能夠更好地訓練基于深度學習的COVID-19 檢測診斷模型。但是，上述CT 公開數(shù)據(jù)集提出時間較短，還未得到科研人員的廣泛使用，更多的科研工作者使用私有數(shù)據(jù)集進行模型的訓練。綜上，數(shù)據(jù)集在數(shù)量和質(zhì)量方面還有待進一步提高，使得科研人員構(gòu)建的COVID-19 檢測診斷模型能夠在一個公平完善的基礎(chǔ)上進行比較。

2 評價指標

基于深度學習的新冠肺炎診斷屬于典型的醫(yī)學圖像處理問題，可以劃分為分類任務(wù)和分割任務(wù)。對于分類任務(wù)，深度學習神經(jīng)網(wǎng)絡(luò)需要正確識別醫(yī)學影像數(shù)據(jù)中的COVID-19 和non-COVID-19，其中non-COVID-19 可以進一步細分為病毒型肺炎、細菌型肺炎和正常等，根據(jù)分類的種類數(shù)量，新冠肺炎診斷可以是二分類問題，也可以是多分類問題。對分割任務(wù)，深度學習神經(jīng)網(wǎng)絡(luò)需要在對整個肺部進行分割預處理的基礎(chǔ)上，進一步對肺部的病灶區(qū)域進行分割，從而獲得醫(yī)生最關(guān)注的區(qū)域，最終根據(jù)感染區(qū)域的特征和大小完成醫(yī)學影像數(shù)據(jù)中新冠肺炎的診斷。下文分別對分類和分割任務(wù)中不同的評價指標進行介紹。

2.1 分類任務(wù)的評價指標

分類任務(wù)涉及7 種常用的評價指標，即表示敏感性的 召回率（Recall）、精準率（Precision）、特異性（Specificity）、準確率（Accuracy）、F1-score、ROC（Receiver Operating Characteristic）曲線和AUC（Area Under Curve）指標［40-41］。

召回率、精準率和特異性指標分別如下所示：

其中，NTP表示實例為陽性并且被預測為陽性所對應(yīng)的數(shù)量，NFN表示實例為陽性但被預測為陰性所對應(yīng)的數(shù)量，NFP表示實例為陰性但被預測為陽性所對應(yīng)的數(shù)量，NTN表示實例為陰性并且被預測為陰性所對應(yīng)的數(shù)量。

由于召回率和精準率被作為單一指標進行評估，因此無法全面地評估診斷結(jié)果。同時，針對不同場景的分類應(yīng)用，對召回率和精準率的要求也有所不同。因此，出現(xiàn)了F1-score。該指標綜合考慮了以上兩個指標，可以表示為兩者的調(diào)和平均，如式（4）所示：

在更一般的情況下，該指標對應(yīng)的形式如式（5）所示，其中，β為加權(quán)系數(shù)，用于調(diào)節(jié)召回率和精準率之間的權(quán)重關(guān)系。

F0.5-score 和F2-score 在統(tǒng)計學中均有廣泛應(yīng)用。新冠肺炎具有嚴重的危害性，在COVID-19 診斷中必須保證足夠高的敏感性，因此，推薦使用F2-score。

準確率表達式如下：

其中，N表示樣本實例的總數(shù)量。

ROC 曲線的橫軸是偽陽性率（False Postive Rate，F(xiàn)PR），滿足FPR=1-SSpecificity，縱軸是真陽性率（True Postive Rate，TPR），滿足TPR=RRecall。具體地，給定一個閾值，對所有實例進行分類預測，從而計算得出對應(yīng)的一組（FPR，TPR）。最理想的情況為TPR=1，F(xiàn)PR=0。因此，ROC 曲線越靠近坐標（0，1），說明算法性能越優(yōu)秀。此外，ROC 曲線具備一個很好的特性，即當測試集中的正負樣本分布發(fā)生變化時，ROC曲線能夠保持不變。通常實際數(shù)據(jù)集中存在類不平衡現(xiàn)象，即正、負樣本數(shù)量差異較大。因此，ROC 曲線得到了廣泛的應(yīng)用。AUC 表示ROC 曲線下的面積，用以評估分類器的優(yōu)劣，對應(yīng)的數(shù)值越大，代表算法性能越好。

2.2 分割任務(wù)的評價指標

分割任務(wù)涉及5 種常用的評估指標，包括DICE 系數(shù)、體積重疊誤差（Volumetric Overlap Error，VOE）、相對體積差（Relative Volume Difference，RVD）、對稱位置的平均表面距離（Average Symmetric Surface Distance，ASD）和對稱位置的最大表面距離（Maximum Symmetric Surface Distance，MSD）。

首先定義標識符Vgt和Vseg，以Vgt表示ground truth對應(yīng)的分割結(jié)果，以Vseg表示預測的分割結(jié)果。

DICE 系數(shù)作為分割任務(wù)中最常用的評價指標被廣泛使用，其表達式如下：

與DICE 系數(shù)類似，VOE 將交集運算替換為差集運算表示錯誤率，其表達式如下：

RVD 表示Vgt和Vseg兩者體積間差異，其表達式如下：

為計算ASD，先定義Aseg表示預測的分割結(jié)果Vseg中的邊 界像素，Agt表示ground truth 中的邊界像素。由此計算Bseg：

其中，d表示邊界像素之間的最短距離。同理可計算得到Bgt。根據(jù)計算得到的Bseg和Bgt，對應(yīng)ASD 的表達式如下：

MSD 則與ASD 的定義類似，將其中的平均運算替換為最大值運算，其表達式如下：

3 基于深度學習的COVID-19 檢測診斷模型

分別從模型任務(wù)（單任務(wù)即分類任務(wù)或分割任務(wù)，多任務(wù)即分類任務(wù)和分割任務(wù)）和影像數(shù)據(jù)類型（CT、X-ray）兩個不同角度，對基于深度學習的COVID-19 檢測診斷模型進行分類與闡述。分類任務(wù)先對整個肺部區(qū)域進行提取，再使用卷積神經(jīng)網(wǎng)絡(luò)學習新冠肺炎的特征，從而實現(xiàn)對新冠肺炎的診斷；分割任務(wù)則在預處理（提取整個肺部區(qū)域）的基礎(chǔ)上，進一步對肺部病灶區(qū)域進行了分割，能夠更有效地對特征進行提取，從而改善新冠肺炎診斷的效果。但是，分割任務(wù)的實現(xiàn)依賴于額外的醫(yī)學影像病灶標記，從現(xiàn)有數(shù)據(jù)集來看，相對于不帶病灶標記的數(shù)據(jù)，帶病灶標記的數(shù)據(jù)顯得更加匱乏。基于深度學習的分類任務(wù)和分割任務(wù)處理流程分別如圖1 和圖2 所示，對兩者進行組合即可得到多任務(wù)的處理流程。

圖1 基于深度學習的分類任務(wù)處理流程Fig.1 Processing flow of classification task based on deep learning

圖2 基于深度學習的分割任務(wù)處理流程Fig.2 Processing flow of segmentation task based on deep learning

3.1 基于模型任務(wù)的分類

3.1.1 基于分割或分類任務(wù)的COVID-19 診斷模型

文獻［42］設(shè)計了一種深度學習模型，從典型的病毒性肺炎中篩選COVID-19。首先，放射科醫(yī)生將感染區(qū)域標注為感興趣區(qū)域（Region of Interest，ROI）。然后，作者構(gòu)建基于Inception 網(wǎng)絡(luò)［43］的遷移學習神經(jīng)網(wǎng)絡(luò)用以提取特征向量，結(jié)合決策樹和AdaBoost［44］對COVID-19 和典型病毒性肺炎進行分類。該工作收集的數(shù)據(jù)集包括99 例患者（44 例COVID-19 和55 例典型病毒性肺炎）的胸部CT 圖像。該模型在內(nèi)部測試數(shù)據(jù)集上的準確率為82.9%，特異性為84%，敏感性為81%。

文獻［45］使用ResNet50［46］提取特征，并添加特征金字塔網(wǎng)絡(luò)（Feature Pyramid Network，F(xiàn)PN）［47］和注意力模塊［48］構(gòu)建診斷模型。首先，提取主要肺部區(qū)域，并用肺本身填充肺分割的空白，以避免因不同肺輪廓引起的噪聲。然后，設(shè)計細節(jié)關(guān)系提取神經(jīng)網(wǎng)絡(luò)（DRE-Net）來提取CT 圖像中的細節(jié)區(qū)域，并進行圖像級別的預測。最后，將圖像級別的預測集合相結(jié)合以實現(xiàn)患者級別的診斷。該系統(tǒng)對88 例COVID-19 患者、101 例細菌性肺炎患者和86 例健康受試者的CT 掃描數(shù)據(jù)進行了深度學習模型的訓練和驗證。在測試集中，模型的AUC 為0.95，敏感性為96%，其對肺炎分類（COVID-19 或細菌性肺炎）的準確率為86.0%，對肺炎診斷（COVID-19 或健康）的準確率為94.0%。

文獻［49］使用了一個大型胸部CT 數(shù)據(jù)集，包含3 322 名患者的4 356 張胸部CT 圖像（1 296 張COVID-19、1 735 張社區(qū)獲得性肺炎（Community-Acquired Pneumonia，CAP）和1 325 張非肺炎）。具體地，該方法將ResNet50 模型應(yīng)用于具有共享權(quán)重的二維（2D）切片上，結(jié)合最大值池化（max-pooling）以區(qū)分COVID-19、CAP 和非肺炎。實驗結(jié)果表明，該模型可以準確檢測COVID-19，并能有效區(qū)分社區(qū)獲得性肺炎和其他肺部疾病。該模型的敏感性為90%，特異性為96%，AUC 為0.96。

文獻［50］使用UNet++［51-52］提取COVID-19 患者CT 圖像中的肺部病變區(qū)域，圖像級別的標記（COVID-19 或非COVID-19）直接根據(jù)分割的病變區(qū)域確定，而病例級別的標記則增加了一個連續(xù)圖像預測結(jié)果的邏輯：將分割圖像的預測結(jié)果分為四等份，只有當三張連續(xù)圖像的病變分割出現(xiàn)在同一象限時，才判定病例為陽性。獲得的數(shù)據(jù)集包括106 例患者（51 例為COVID-19，55 例為其他疾?。┑亩SCT 圖像，且被隨機分為訓練集和驗證集。該模型對COVID-19 病例級別的檢測診斷準確率達到95.2%，敏感性達到100%，特異性達到93.6%。目前該模型已被部署到武漢大學人民醫(yī)院以幫助放射科醫(yī)生進行新病例的分析，并在互聯(lián)網(wǎng)上開源，以實現(xiàn)對CT 圖像的快速審查。此外，此項研究使用了包括27 名潛在患者數(shù)據(jù)的前瞻性數(shù)據(jù)集做進一步驗證，表明模型取得了與專業(yè)放射科醫(yī)生相當?shù)男阅?，可使放射科醫(yī)生的閱讀時間減少65%。

文獻［53］提出一種基于DenseNet201 的深度遷徙學習方法檢測COVID-19，以判斷患者是否被感染。該模型利用其在ImageNet 數(shù)據(jù)集上學習的權(quán)值和卷積神經(jīng)結(jié)構(gòu)來提取CT 圖像中的特征。該文作者通過實驗比較VGG16、Inception ResNet、ResNet152 v2和DenseNet201 等模型的性能表現(xiàn)。實驗結(jié)果表明，DenseNet201 模型的F1-score 和準確率均為最佳。

3.1.2 基于分割和分類任務(wù)的COVID-19 診斷模型

文獻［54］使用ResNet18［55］自動檢測CT 圖像中的感染區(qū)域，并使用ResNet23 來識別感染區(qū)域是否為COVID-19 癥狀。首先，利用ResNet18 的分割模型從肺部CT 圖像中分割出候選感染區(qū)域。然后，利用ResNet23 分類模型將候選區(qū)域分類到COVID-19、甲型流感病毒性肺炎或健康組，同時通過附帶位置-注意力模型得到對應(yīng)的置信分數(shù)。最后，利用噪聲函數(shù)或貝葉斯函數(shù)計算感染類型和總置信度。CT樣本數(shù)據(jù)集包括219 例COVID-19 患者、224 例甲型流感病毒性肺炎和175 例健康CT 樣本，該文作者隨機抽取85.4%的CT 樣本作為訓練集，其余14.6%的CT 樣本用于測試。在測試集上，該模型的敏感性達到了86.7%，相對不使用位置-注意力模型提高了3.4%。

文獻［56］構(gòu)造了一種用于篩選COVID-19 患者的模型，該模型接收胸部CT 圖像，輸出肺部異常定位和定量測量結(jié)果。模型主要由AB 兩個子系統(tǒng)構(gòu)成。子系統(tǒng)A 使用現(xiàn)成的商業(yè)軟件對帶有結(jié)節(jié)和病灶混濁的病例進行三維（3D）分析，子系統(tǒng)B 對病例的切片進行二維分析，并使用U-Net 分割網(wǎng)絡(luò)提取感興趣區(qū)域，且由2D ResNet50 模型［57］檢測出COVID-19 相關(guān)異常結(jié)果，最終實現(xiàn)較大彌漫性混濁的定位和病例的診斷。模型根據(jù)陽性率（陽性檢出切片與肺切片的百分比）確定病例分類。研究結(jié)果表明，該模型在以陽性率1.9%作為閾值的情況下，AUC 為0.996，敏感性為96.4%，特異性為98%。

文獻［58］收集了來自5 家醫(yī)院的1 136 例患者（723 例COVID-19 陽性、413 例COVID-19 陰性）的胸部CT 圖像。該文提出的診斷模型包含基于UNet++的分割模型和基于ResNet50 的分類模型。分割模型用于突出肺部區(qū)域所有病變，以便快速檢查，同時作為分類模型的輸入。該模型的敏感性和特異性分別為97.4%和92.2%，滿足臨床應(yīng)用需求。

文獻［59］提出一種多任務(wù)學習（Multi-Task Learning，MTL）模型檢測COVID-19，并對胸部CT圖像中的病變區(qū)域進行分割。MTL［60］將來自不同任務(wù)的若干信息進行組合，以提高模型的性能，使其具有更強的泛化能力。該模型由一個編碼器和兩個解碼器組成，用于圖像的重建和分割，同時包含一個用于分類的多層感知器（Multi-Layer Perceptron，MLP）。該文利用1 044例患者的數(shù)據(jù)集（包括449例COVID-19患者、100 例正?；颊?、98 例肺癌患者和397 例不同病理類型的患者）對所提出的模型進行評估，并對比其他圖像分割和分類技術(shù)。該模型準確率為0.86，敏感性為0.94，特異性為0.79。

文獻［61］采用多任務(wù)學習模型，提出一種卷積神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)COVID-19 檢測和患者嚴重程度的細化。該文訓練ResNet50 作為分類網(wǎng)絡(luò)，該網(wǎng)絡(luò)以軸向切片作為輸入，獨立提取切片的特征向量，預測肺實質(zhì)受累的概率，實現(xiàn)對COVID-19 的有效檢測，而患者嚴重程度量化任務(wù)的實現(xiàn)由兩部分組成：左/右肺的分割和病變的分割。肺部的整體分割由一個標準的完全卷積神經(jīng)網(wǎng)絡(luò)完成，使用K-means算法對肺部內(nèi)體素進行聚類，以歐幾里得距離作為體素間的度量，完成左/右肺的分割。病變區(qū)域的分割則使用基于U-Net 結(jié)構(gòu)的網(wǎng)絡(luò)完成。最后對兩個體積的比率進行分級，依次對應(yīng)不同的嚴重程度。該模型在COVID-19 識別任務(wù)上AUC 為0.951，在嚴重程度定量任務(wù)上，斯皮爾曼相關(guān)性系數(shù)達到0.98。

3.2 基于影像數(shù)據(jù)類型的分類

鑒于普通肺炎特別是病毒性肺炎與COVID-19 有相似的影像學表現(xiàn)，其鑒別診斷將更有助于臨床篩選過程。因此，基于深度學習的COVID-19 診斷任務(wù)可以概括為健康受試者、其他類型肺炎（細菌性肺炎、病毒性肺炎、社區(qū)獲得性肺炎等）患者和COVID-19 患者的分類任務(wù)。不同類型患者在不同影像數(shù)據(jù)中的典型表現(xiàn)如圖3 和圖4 所示。

圖3 胸部X-ray 樣本圖像Fig.3 Sample chest X-ray images

圖4 胸部CT 樣本圖像Fig.4 Sample chest CT images

3.2.1 基于X-ray 的COVID-19 診斷模型

文獻［62］提出一種貝葉斯CNN 評估COVID-19預測中的診斷不確定性。實驗結(jié)果表明，在不同的MCDW（Monte-Carlo Drop Weight）下，貝葉斯推理能提高ResNet50V2 模型［52］的檢測準確率，并且模型的不確定性與預測準確率之間具有強相關(guān)性。此外，該文進一步生成顯著性圖來說明深度網(wǎng)絡(luò)所關(guān)注的位置，從而加深對深度學習結(jié)果的理解，做出更明智的決策。

文獻［63］提出基于3 種不同的深度學習模型，即基于ResNet50、Inception v3 和Inception-ResNet v2［64］的COVID-19 診斷模型，用于從X-ray 圖像中檢測出COVID-19。通過ROC 分析和5-fold 交叉驗證可以看出：在準確率方面，相對Inception v3 的97.0%和Inception-ResNet v2 的87%，ResNet50 模型獲得了98.0%的最高分類性能。

文獻［65］提出一個基于EfficientNet［66］的檢測診斷模型，使用EfficientNet-B0 網(wǎng)絡(luò)在ImageNet 上進行預訓練用以提取特征，并且附帶異常檢測模塊和置信分數(shù)預測模塊。該模型包含兩方面的任務(wù)：對COVID-19 和非COVID-19 患者進行分類，并進行異常檢測。其中，異常檢測任務(wù)給出異常分數(shù)，以優(yōu)化用于分類的COVID-19 分數(shù)。該模型的敏感性為71.7%，特異性為73.8%，AUC 為0.836。

文獻［67］提出一種基于ResNet 的CNN 網(wǎng)絡(luò)模型（COVID-Net）。該模型對正常、細菌性感染、非COVID-19 病毒性感染和COVID-19 病毒性感染進行預測，并且滿足準確率高于80%和計算復雜度小于2.5 億次乘加運算等設(shè)計要求。COVID-Net 首先在ImageNet 數(shù)據(jù)集［68］上預訓練，然后使用Adam 優(yōu)化器在COVIDx 數(shù)據(jù)集上訓練。COVIDx 數(shù)據(jù)集包含45 例COVID-19 患者、1 203 例正常受試者、931 例病毒性肺炎患者和660 病毒性肺炎患者的X-ray 數(shù)據(jù)。該模型的準確率為83.5%，敏感性為100%，精準率為80%。

文獻［69］提出利用遷移學習自動檢測COVID-19。首先對近年來用于醫(yī)學圖像分類中最先進（SOTA）的CNN 模型進行性能評估，其中包括VGG19［70］、MobleNet v2［71］、Xception［72］、Inception 和Inception-ResNet v2。然后通過遷移學習［73］在小型醫(yī)學圖像數(shù)據(jù)集中檢測異常，從而實現(xiàn)對COVID-19 的診斷。通過對比不同的CNN結(jié)果發(fā)現(xiàn)，VGG19和MobileNet v2表現(xiàn)最佳。此外，通過計算分析最佳模型對應(yīng)混淆矩陣可以看出，VGG19 具有更高的準確率，其準確率為97.83%，而MobileNet v2 在敏感性方面（99.1%）優(yōu)于VGG19，因此其被證明是特定分類任務(wù)和特定數(shù)據(jù)樣本的有效模型。

以上研究涉及的數(shù)據(jù)集大多來自兩個數(shù)據(jù)集：COVID-chestxray-dataset［31］，包括70 張COVID-19 患者肺部X-ray 圖像；KAG 數(shù)據(jù)集［33］，包括健康受試者、病毒性肺炎患者和細菌性患者的5 863 張X-ray圖像。由于COVID-19 圖像數(shù)量有限，不足以評估以上方法的魯棒性，導致其臨床中心應(yīng)用的可推廣性也難以被認可。此外，X-ray 作為最常用的醫(yī)學成像方式之一，被廣泛用于為放射科醫(yī)生提供證據(jù)，但通常被認為不如胸部CT 圖像敏感。值得注意的是，最近一項研究報告表明［74］，COVID-19 患者在早期或者輕度癥狀階段，X-ray 顯示正常。因此，研究人員嘗試利用CT 數(shù)據(jù)進行COVID-19 的診斷。

3.2.2 基于CT 的COVID-19 診斷模型

文獻［75］提出了一種弱監(jiān)督檢測診斷模型，利用三維CT 圖像檢測COVID-19。首先，對于每個患者使用預訓練模型U-Net 分割肺部區(qū)域。然后，將分割的3D 肺部區(qū)域作為三維CNN 的輸入，以預測感染COVID-19 的概率。三維CNN 包括以下3 個部分：第一部分為主干網(wǎng)絡(luò)，由1 個三維卷積核、1 個BN（Batch Normalization）層和1 個池化層組成；第二部分由2 個殘差塊構(gòu)成；第三部分為漸進式分類器，包含3 個卷積層和1 個全連接層。在該工作中，收集的542名受試者（313例COVID-19、229例非COVID-19）的胸部CT 圖像被用作訓練和測試數(shù)據(jù)。該模型的敏感性為90.7%，特異性為91.1%，AUC 為0.959。

文獻［76］提出一個用于COVID-19 分類和預后分析的全自動深度學習模型。該模型使用DenseNet121［77］作為骨干網(wǎng)絡(luò)，首先將DenseNet121 與FPN 相結(jié)合完成肺部區(qū)域的自動分割，然后利用類DenseNet 結(jié)構(gòu)（COVID-19Net）建立分類網(wǎng)絡(luò)，對分割得到的區(qū)域進行分類。該文共收集了7 個省市的5 372 例CT 圖像，包括COVID-19 數(shù)據(jù)集和表皮生長因子受體（Epidermal Growth Factor Receptor，EGFR）數(shù)據(jù)集。其中，4 106 例具有EGFR 基因突變狀態(tài)的患者樣本用來對模型進行預訓練［78］，使其學習肺部特征，924 例COVID-19 患者和342 例其他肺炎患者樣本則用來進行模型訓練和驗證。在4 個外部驗證集中，該模型從其他肺炎（AUC=0.87 和0.88）和病毒性肺炎（AUC=0.86）中識別COVID-19 取得了良好的效果。

文獻［79］采用胸部CT 掃描數(shù)據(jù)集，包含2 685 例樣本（1 658 例COVID-19、1 027 例普通肺炎）。該模型首先對所有圖像進行預處理，采用VBNet［80］分割感染區(qū)域、左/右肺、5 個肺葉和18 個肺段。然后提取感染大小、位置特征和放射特征等手工特征，并使用最小絕對收縮和選擇算子［81］進行特征選擇。在此基礎(chǔ)上，提出一種感染區(qū)域大小感知的隨機森林方法，將受試者自動分為不同感染病灶大小的分組，并在每組中進行隨機森林分類。實驗結(jié)果表明，該方法對于感染大小在0.01%～10%中等范圍內(nèi)的病例取得了較大的性能裕度，而對小范圍感染的患者被識別的敏感性較低。在5-fold 交叉驗證下，該模型敏感性為90.7%，特異性為83.3%，準確率為87.9%。

文獻［82］通過神經(jīng)結(jié)構(gòu)搜索（NAS）設(shè)計一個輕量級的三維模型，結(jié)合CT 圖像檢測進行COVID-19診斷。該模型首先建立搜索空間，定義神經(jīng)結(jié)構(gòu)的設(shè)計原則。然后選擇搜索策略，相關(guān)研究表明，隨機搜索比其他許多方法更具競爭力［83-85］。最后選擇準確率方面排名靠前的模型進行對比。作者將通過NAS 搜索得到的最佳模型命名為MNas3DNet。實驗結(jié)果表明，相對基線3D 模型，MNas3DNet 模型尺寸更小。此外，其中MNas3DNet41 能實現(xiàn)SOTA 級別的性能表現(xiàn)，相應(yīng)的準確率為87.14%，F(xiàn)1 評分為87.25%，AUC 為0.957。

文獻［86］提出一種基于混合密度網(wǎng)絡(luò)模型的深度雙向長短時記憶網(wǎng)絡(luò)（DBM），并結(jié)合自適應(yīng)差分進化（MADE）算法［87］構(gòu)建MADE-DBM 模型。該模型可以有效避免手工調(diào)整超參數(shù)的繁瑣過程，適用于COVID-19 實時分類系統(tǒng)。該文采用SARS-CoV-2 CT-scan 數(shù)據(jù)集，將訓練集和測試集按3∶2 的比例進行劃分，并對提出的模型與其他SOTA 模型分別進行二分類和三分類的性能比較。實驗結(jié)果表明，該模型在AUC、敏感性、特異性和準確率等指標上相較于其他模型均獲得了最佳表現(xiàn)。對于二分類，其AUC 達到0.983，敏感性達到0.989，準確率達到98.4%。

文獻［39］介紹公開數(shù)據(jù)集COVID-CT-set，并且提出一種快速、準確的全自動系統(tǒng)用于從CT 圖像中檢測出COVID-19 患者的圖像。該系統(tǒng)主要流程如下：在第一階段運行優(yōu)化的圖像處理算法，以丟棄肺部內(nèi)部無法正常顯示的CT 圖像。在下一階段提出一種基于ResNet50V2 改進的深度卷積網(wǎng)絡(luò)，并通過特征金字塔網(wǎng)絡(luò)進行增強，對所選CT 圖像進行分類。最后利用特征可視化算法對分類后的圖像進行處理，以顯示圖像中的感染區(qū)域。實驗結(jié)果表明，該系統(tǒng)能夠以專業(yè)醫(yī)生5 倍的識別速度，達到98.49%的準確率。

4 模型性能對比及分析

上文對數(shù)據(jù)集、評價指標和基于深度學習技術(shù)的COVID-19 檢測診斷模型進行了詳細介紹。下文將從骨干網(wǎng)絡(luò)、數(shù)據(jù)集、數(shù)據(jù)類型、性能表現(xiàn)、分類種類和開源情況6 個維度，分析比較現(xiàn)有基于深度學習的COVID-19 檢測診斷模型，具體見表2。

表2 不同COIVID-19 診斷模型比較Table 2 Comparison of different COVID-19 diagnostic models

續(xù)表

從表2 可以得出以下結(jié)論：

1）對骨干網(wǎng)絡(luò)進行分析可知：COVID-19 檢測診斷模型的網(wǎng)絡(luò)結(jié)構(gòu)包含分割網(wǎng)絡(luò)（U-Net、UNet++和VBNet 等）和分類網(wǎng)絡(luò)（ResNet 系列、DenseNet 系列、Inception 系列等），由于COVID-19 患者在不同階段表現(xiàn)出不同的影像學特征，因此可以使用分割網(wǎng)絡(luò)對ROI 區(qū)域進行分割提??；同時可以借助分類網(wǎng)絡(luò)學習COVID-19 患者特有的影像學特征，從而有效區(qū)分COVID-19、其他肺炎和正常受試者；此外，研究者借助輔助手段（如FPN、注意力機制、決策樹、Lasso 等）可有效提高模型的性能。

2）對數(shù)據(jù)集進行分析可知：多數(shù)研究工作的COVID-19 數(shù)據(jù)集樣本數(shù)量范圍從幾十到幾百不等，大部分研究者采用遷移學習，并基于小樣本COVID-19數(shù)據(jù)集進行檢測診斷（如文獻［67，75，79］）；此外，目前只有極少量公開可用的大型COVID-19 影像數(shù)據(jù)集（如CC-CCII 數(shù)據(jù)集、MosMedData 數(shù)據(jù)集、SARS-CoV-2 CT-scan 數(shù)據(jù)集、COVID-CT-set 數(shù)據(jù)集），大部分研究人員采用私有數(shù)據(jù)集（如文獻［45，49，54，58］），由此也導致部分模型的泛化能力較弱，對特定數(shù)據(jù)集有一定的偏移性，因此，無法在相對公平的條件下通過比較不同數(shù)據(jù)集下的實驗結(jié)果來評價模型性能優(yōu)劣。

3）對影像類型進行分析可知：科研工作者傾向基于CT 圖像的COVID-19 診斷（如文獻［42，45，50］），一方面，因為X-ray 相對CT 圖像敏感性更低；另一方面，CT 圖像數(shù)據(jù)除了二維類型外，還包含更多深層次三維特征信息，CNN 在圖像處理方面的出色表現(xiàn)，本質(zhì)上源于其強大的特征提取能力，因此，CNN能夠從三維CT 圖像數(shù)據(jù)中獲取更多的特征信息，從而提高診斷的效果。

4）對模型性能進行分析可知：文獻［63］提出的ResNet50 模型取得了最高的SPE=1.000；文獻［67，51］提出的ResNet 模型和UNet++取得了最高的SEN=1.000；文獻［56］提出的UNet 和ResNet50 多任務(wù)模型取得了最高的AUC=0.996；文獻［39］提出的ResNet50 v2 模型取得了最高的ACC=0.985。需要注意的是，該對比缺少一定的指導價值，存在諸多不一致因素，比如不同的驗證方式（包括回顧性（內(nèi)部）驗證和前瞻性（外部）驗證）、不同的分類級別（包括圖像級別和病例級別）、不同的置信區(qū)間（Confidence Interval，CI）（大多取CI=95%）、不同的AUC 類型（包括PR AUC 和ROC AUC）、不同的數(shù)據(jù)集以及不同的分類種類等。

5）對分類種類分析可知：上述模型的COVID-19分類任務(wù)可歸納為二分類（COVID-19與non COVID-19）、三分類（COVID-19、其他肺炎和正常）以及四分類（COVID-19、其他病毒性肺炎、細菌性肺炎和正常）。

6）對開源情況進行分析可知：只有少量模型開源（如文獻［39，49，59，75］）。由于各個模型之間進行直接比較缺乏一定的公正性，后續(xù)可以通過統(tǒng)一的數(shù)據(jù)集建立相對公平的環(huán)境，對目前現(xiàn)有的開源模型進行比較實驗（如文獻［82］），因此對數(shù)據(jù)集的統(tǒng)一完善以及開源模型的改進顯得至關(guān)重要。

綜上，現(xiàn)有基于深度學習的COVID-19 診斷模型從不同角度進行新冠肺炎的檢測診斷，并取得了不錯的表現(xiàn)。這些模型不僅能夠完成對ROI 區(qū)域的自動分割和自動標注，有效減少醫(yī)務(wù)人員的人工操作，而且還能對COVID-19 患者進行快速篩選，輔助專業(yè)人士進行高效診斷。

5 應(yīng)用實例介紹

目前，多種基于深度學習的COVID-19 檢測診斷模型相繼被提出，并經(jīng)過不斷的優(yōu)化完善，性能已可滿足實際應(yīng)用場景下的臨床應(yīng)用需求。特別是利用CT 圖像輔助診斷COVID-19 的肺炎AI 影像輔助產(chǎn)品，極大提高了臨床診斷效率，在COVID-19 的防控工作中發(fā)揮了舉足輕重的作用。下文將介紹在抗疫場景下表現(xiàn)出色的人工智能應(yīng)用系統(tǒng)。

阿里達摩院醫(yī)療AI 團隊基于最新的診療方案，包括鐘南山院士等多個權(quán)威團隊發(fā)表的關(guān)于新冠肺炎患者臨床特征的工作［88-90］，與浙大一附院、萬里云、長遠佳和古珀醫(yī)院等多家機構(gòu)開展合作，率先突破了訓練數(shù)據(jù)不足的局限，其基于5 000 多個病例的CT 影像樣本數(shù)據(jù)學習、訓練樣本的病灶紋理，研發(fā)了全新的AI 算法模型。該技術(shù)能夠在20 s 內(nèi)對患者的肺部CT 圖像作出分析和判讀，從而為臨床醫(yī)生的診斷提供有力依據(jù)，準確率達到96%以上。此外，該技術(shù)還可計算病灶部位的比例，量化、預測病癥的輕重程度，大幅度提升診斷效率，為患者的治療爭取寶貴時間。特別是對未接診過新冠肺炎病例或低年資醫(yī)生，可提供有效的診斷鑒別提示信息。同時，阿里達摩院還與阿里云共同研發(fā)了輔助診斷算法，該算法可以根據(jù)患者的基本信息、癥狀、實驗室檢查結(jié)果、流行病學史、影像報告等多維信息，進一步輔助醫(yī)生制定科學的治療方案。

依圖胸部CT 的COVID-19 智能評價系統(tǒng)［91］由上海市公共衛(wèi)生臨床中心和依圖醫(yī)療合作開發(fā)，其作為業(yè)界首個COVID-19 智能影像評價系統(tǒng)于2020 年1 月28 日上線。該系統(tǒng)可實現(xiàn)前中后期的全流程輔助診斷，并采用創(chuàng)新的AI 全肺定量分析技術(shù)，提升診斷的速度和精度，幫助醫(yī)生進行快速檢出、定量檢測和療效評價。該系統(tǒng)具體功能和性能為：

1）智能檢出：肺炎病變檢出率敏感性達97.3%，特異性達99%。

2）智能分析：對肺炎嚴重程度進行量化評價，在2 s～3 s內(nèi)完成定量分析。

3）智能隨訪：智能隨訪分析患者病程，精準匹配歷史影像，自動分析病情的轉(zhuǎn)移和發(fā)展。

鐘南山等專家通過召集支援武漢一線工作富有臨床經(jīng)驗的醫(yī)師，并聯(lián)合統(tǒng)計學、生物醫(yī)學工程和信息技術(shù)領(lǐng)域的專家，開發(fā)了基于物聯(lián)網(wǎng)醫(yī)學技術(shù)的COVID-19 智能診治輔助程序，簡稱nCapp［92］。該程序主要包括以下3 個方面的功能：

1）智能輔助診斷：根據(jù)提供的數(shù)據(jù)、問卷回復以及檢查結(jié)果自動進行確診，并對疑似和可疑的病例進行歸類；根據(jù)患者病情的嚴重程度，區(qū)分為輕型、普通型、重型和危重型；建立實時更新的COVID-19樣例數(shù)據(jù)庫，通過最新病例數(shù)據(jù)對智能診斷的算法模型進行實時優(yōu)化升級，提升診斷的準確率。

2）智能指導治療：對不同類型患者制定不同的治療方案，追蹤COVID-19 愈后患者情況，進行長期隨訪管理。

3）智能數(shù)據(jù)監(jiān)測：自主監(jiān)控上傳至云服務(wù)器數(shù)據(jù)的可靠性與真實性，保證nCapp 能夠有效地輔助專家進行診斷。

張康教授團隊研發(fā)的COVID-19 智慧篩查、診斷與預測系統(tǒng)，可以對大量疑似肺炎病人進行快速篩查、輔助診斷和住院臨床分級預警，實現(xiàn)對COVID-19病人的全生命周期管理。該團隊基于五十萬份臨床影像學大數(shù)據(jù)［93-94］，運用深度學習［95］、遷移學習［96］和語義分割［97-98］等多種AI 前沿技術(shù)，開發(fā)基于胸部CT和X-ray 的新冠肺炎AI 輔助診斷系統(tǒng)［26］。該系統(tǒng)可在20 s 內(nèi)完成檢測及診斷過程，且診斷準確率達90%以上。此外，其還具有病情嚴重程度分級和重癥危重癥預測功能，可對胸部CT 圖像每一層面的小結(jié)節(jié)、磨玻璃影和實變進行自動識別、標注及定量分析，通過患者的吸氧頻率、血氧飽和度、酸堿平衡、肝功能、凝血功能等信息，綜合預測病人發(fā)展為重癥、危重癥的概率和時間，有利醫(yī)生進行及時干預，降低患者死亡率。

6 未來研究方向

現(xiàn)有多數(shù)基于深度學習的COVID-19 檢測診斷模型都是基于小樣本數(shù)據(jù)集訓練得到的，這可能會導致結(jié)果的過擬合。因此，為提高模型性能，使其能夠更好地輔助臨床診斷，COVID-19 數(shù)據(jù)集的質(zhì)量和數(shù)量都有待進一步提高。在數(shù)量方面，需要聯(lián)合多家醫(yī)院和研究機構(gòu)，實現(xiàn)資源共享以擴大樣本量；在質(zhì)量方面，要求所有的影像數(shù)據(jù)都是規(guī)范的和標準的，并需要對這些影像數(shù)據(jù)進行精確標記。值得注意的是，影像數(shù)據(jù)中不完整、不精確的標記，將顯著降低診斷模型性能，而基于弱監(jiān)督深度學習技術(shù)的COVID-19 診斷模型可以有效規(guī)避噪聲數(shù)據(jù)（或低質(zhì)量數(shù)據(jù)）的影響，這將是未來診斷模型一個較好的發(fā)展方向。此外，數(shù)據(jù)的人工標注往往費時費力，研究者可以嘗試利用無監(jiān)督和自監(jiān)督［99-100］等方法構(gòu)建COVID-19 診斷模型。另一方面，新冠肺炎診斷不應(yīng)僅局限于COVID-19 和非COVID-19 之間的分類，而應(yīng)擴展至細粒度或者精細化研究［101-102］，由此分析得出患者的感染患病等級。與此同時，當下一些熱門的方法同樣值得借鑒，如多模態(tài)數(shù)據(jù)分析［103-104］、知識圖譜［105］和自動機器學習［106-107］等。

7 結(jié)束語

本文結(jié)合基于深度學習的COVID-19 檢測診斷模型研究現(xiàn)狀，在影像數(shù)據(jù)類型和模型任務(wù)方面介紹目前性能較為突出的分類/分割方法并進行整理和評估，對模型性能集中在6 個不同維度進行分析。隨著相關(guān)檢測診斷模型研究不斷發(fā)展，效果顯著的模型被陸續(xù)提出并被成功應(yīng)用到抗擊COVID-19 的第一線，這對抑制COVID-19 大規(guī)模流行具有重大意義。同時，針對該研究領(lǐng)域構(gòu)建的影像數(shù)據(jù)集、常用評價指標和代表性檢測診斷模型，對于未來抗擊其他傳染性疾病同樣具有重要的參考價值。后續(xù)將對基于多模態(tài)知識計算的新冠肺炎病灶區(qū)域分割算法進行深入研究，促進多模態(tài)融合和知識圖譜等技術(shù)在醫(yī)學領(lǐng)域的應(yīng)用與發(fā)展。