基于人工智能的新型冠狀病毒肺炎放射科預警系統(tǒng)研究

張 凱，劉秀民，陳玉環(huán)，譚 佳，宋婷妮，李真林

1. 四川大學華西醫(yī)院 放射科，四川 成都 610041；2. 北京推想科技有限公司，北京 100025

引言

新 型 冠 狀 病 毒 性 肺 炎（Coronavirus Disease 2019，COVID-19）的大流行已對人類健康和全球衛(wèi)生系統(tǒng)構成重大威脅[1]。截至目前，與2003年暴發(fā)的嚴重急性呼吸綜合征（Severe Acute Respiratory Syndrome，SARS）相比，在流行時間上COVID-19是SARS的四分之一，總病例數(shù)卻是SARS的10倍[2]。目前顯示，該病致死率平均約1%，且在老年有基礎疾病的患者及健康患者中均可發(fā)生[3]。因此對COVID-19采取及時預警、實時監(jiān)測、積極治療等全面有效的防控措施刻不容緩。

根據(jù)COVID-19診療方案（試行第六版），胸部影像學檢查是輔助COVID-19患者診斷的重要檢查方法之一[4]。COVID-19早期常常表現(xiàn)為多發(fā)小斑片影及間質改變，以肺外帶明顯；進而發(fā)展為雙肺多發(fā)磨玻璃影、浸潤影，嚴重者可出現(xiàn)肺實變，胸腔積液少見[5]。人工智能結合CT檢查能夠實現(xiàn)快速篩查、優(yōu)化流程、客觀量化診斷及動態(tài)評估病情變化[6-8]。因此，本文將COVID-19智能輔助診斷模型嵌入放射科影像檢查流程中，搭建基于人工智能的COVID-19患者快速篩查、診斷的預警系統(tǒng)，并評估其應用價值。

1 材料與方法

1.1 搭建基于人工智能的COVID-19影像預警系統(tǒng)

1.1.1 基于深度學習的COVID-19影像輔助診斷模型

本研究采用基于深度學習技術的COVID-19影像輔助診斷模型（肺炎特別版AI模型1.4版本，北京推想科技有限公司）。該模型設計原理主要是利用遷移學習方法針對全肺、不同肺葉、肺段的肺炎病變感興趣區(qū)（Region of Interest，ROI）進行學習與檢測（圖1），最終實現(xiàn)端到端的對肺炎患者自動檢測，并提供定量診斷、評估參數(shù)。

圖1 基于深度學習的COVID-19輔助診斷模型訓練流程圖

1.1.2 預警系統(tǒng)的搭建

將基于深度學習的COVID-19影像輔助診斷模型應用于影像技師檢查、醫(yī)師診斷工作流程中，設置智能預警提示，同時建立科室應急機制，對預警患者快速、準確科內響應，由影像診斷醫(yī)師快速確認判斷為疑似患者后進一步啟動院內應急機制，對患者進行相應臨床決策和處理。

（1）CT檢查方案。CT檢查方案包括兒童掃描方案和成人掃描方案，掃描方案參照中華醫(yī)學會影像技術分會及傳染病影像技術專業(yè)委員會專家共識協(xié)作組發(fā)布的《新型冠狀病毒肺炎放射檢查方案與感染防控專家共識（第一版）》[9]。所有檢查在 GE Revolution 或 Siemens SOMATOM De finition Flash 或 SOMATOM De finition AS+（或）聯(lián)影 uCT780 上進行。兒童掃描方案為低劑量螺旋掃描：管電壓100 kV，使用智能輻射劑量跟蹤技術，球管轉速0.27～0.80 s/r，螺距0.5～1.0。成人掃描方案為螺旋掃描方：kV設定為自動管電壓或固定管電壓，患者體質量指數(shù)（Body Mass Index，BMI）＜19 kg/m2的 建 議 為 100 kV， 患 者 BMI為19～24 kg/m2的建議為 120 kV，患者 BMI＞24 kg/m2的建議為140 kV；使用智能輻射量跟蹤技術（50～350 mAs）；球管轉速0.27～0.80 s/r；螺距1.0～1.3。圖像重建：高分辨算法及窗寬 /窗位（窗寬 1000～1500 HU，窗位 -650～-500 HU）進行薄層重建，層厚/層間距選擇0.5～ 1.0 mm。

（2）模型部署。將基于深度學習的COVID-19影像輔助診斷模型部署于影像檢查室、診斷室及PACS終端電腦，數(shù)據(jù)采集與傳輸采用DICOM 3.0標準。為盡可能縮短傳輸延擱，選擇將模型接收數(shù)據(jù)端與CT設備端直接連接。基于深度學習的輔助診斷模型部署在高性能計算平臺上，其中中央處理器、AI運算單元、系統(tǒng)內存和系統(tǒng)外存儲單元 分 別 采 用 Intel Xeon E5-2620 v4 CPU、GEFORCE RTX 2070s GPU、DDR4 32 GB 高速內存、250 GB SSD 固態(tài)硬盤。

（3）快速預警功能設計。在影像檢查室、診斷室及PACS終端電腦均安裝基于深度學習的COVID-19影像輔助診斷軟件。對于COVID-19影像輔助診斷系統(tǒng)提示為疑似COVID-19的患者，列表中設置紅色預警提示框（圖2），預警提示框自動彈出，并滾動播放，以提醒技師、醫(yī)師及時對該患者快速啟動科內應急響應，做出及時響應處理。

圖2 基于人工智能的疑似COVID-19預警提示示意圖

（4）科內應急機制響應。對預警提示的患者經(jīng)初步核對確認后，對預警患者施行放射科專用的患者臨時隔離觀察室，并及時通知（科內PACS系統(tǒng)消息或電話）診斷醫(yī)師對疑似病例進行快速初診，同時對CT室進行嚴格消毒措施[9-10]；及時出具報告及圖像排版打印；接觸人員手衛(wèi)生及消毒、信息采集與登記等。

（5）疑似患者院內信息獲取功能。疑似患者院內信息獲取功能包括對患者流行病學史自動或手動獲取的功能，患者臨床病史及相關檢驗信息自動或手動獲取。

（6） 院內應急機制啟動。對由診斷醫(yī)師判斷為疑似患者，系統(tǒng)可通知發(fā)熱門診對疑似患者啟動院內應急機制，包括疑似患者隔離、發(fā)熱門診進一步確診、相關信息采集及做出相應的臨床決策和處理。

1.2 基于人工智能的COVID-19影像預警系統(tǒng)的應用評估

系統(tǒng)評估包括對模型準確性及敏感性評價、系統(tǒng)預警判斷時間、系統(tǒng)應急反應時間。

1.2.1 系統(tǒng)準確性及敏感性評價

回顧性收集2020年1月1日至2020年2月17日我院確診的COVID-19患者的高分辨CT影像數(shù)據(jù)，有23例患者，共計60次胸部CT檢查。其中，男性患者11例，女性患者12例，最小年齡22歲，最大年齡80歲，平均年齡（42±29.84）歲，主要影像學表現(xiàn)為磨玻璃影、結節(jié)影、斑片影、斑片及條索狀影。

為了驗證模型效果及數(shù)據(jù)的多樣性，同時回顧性納入與確診COVID-19患者具有相似（且無統(tǒng)計學差異）年齡、性別、影像表現(xiàn)的非COVID-19肺炎患者以及健康人群的150次胸部檢查數(shù)據(jù)。共210次胸部CT檢查數(shù)據(jù)作為模型外部試驗數(shù)據(jù)導入系統(tǒng)中，統(tǒng)計模型預測的疑似COVID-19病例數(shù)和非疑似病例數(shù)。

1.2.2 系統(tǒng)預警判斷時間及應急反應時間

預警患者判斷時間定義為模型接收數(shù)據(jù)到做出預測的時間，它包括模型接收數(shù)據(jù)的時間以及模型運算做出預測的時間。應急反應時間定義為模型發(fā)出預警至診斷醫(yī)師做出判斷，患者在檢查室等待的時間。前瞻性收集2020年2月24日至2020年2月28日我院預測數(shù)據(jù)，共計1200次胸部CT檢查，計算系統(tǒng)平均接收數(shù)據(jù)時間及模型預測時間，統(tǒng)計預警患者應急反應時間。

1.3 統(tǒng)計學分析

2 結果

2.1 基于人工智能的COVID-19影像預警系統(tǒng)結構

本研究搭建的基于人工智能的COVID-19影像預警系統(tǒng)結構（圖3），嵌入了放射科影像技師檢查、醫(yī)師診斷工作流程，設置及時智能預警提示，并同步啟動科室應急機制，對疑似患者做進一步臨床決策和處理。當患者接受高分辨CT檢查后，通過預警系統(tǒng)快速響應：① 當發(fā)出預警后，啟動科室應急機制，安排被預警患者在科室COVID-19患者臨時觀察等候區(qū)活動，診斷醫(yī)師提前對其進行診斷，并根據(jù)結果聯(lián)動相關院內相關科室對患者進行進一步臨床決策和處理；② 當系統(tǒng)未發(fā)出預警提示，該患者則按照正常流程等候檢查結果或自行選擇離開影像科等。

圖3 基于人工智能的放射科預警系統(tǒng)結構圖

2.2 預警系統(tǒng)測試數(shù)據(jù)分布及結果

在收集的回顧性測試數(shù)據(jù)210次胸部CT中（表1），確診的23例COVID-19患者共60次CT檢查圖像均被預警提示為“疑似COVID-19患者”；另外在150次非COVID-19患者數(shù)據(jù)中，被預警提示為“疑似COVID-19患者”有26次。系統(tǒng)預測COVID-19患者正確率為87.62%，敏感性為100%、特異性為82.67%、漏診率0，誤診率17.33%。

表1 測試數(shù)據(jù)結果分布（例）

2.3 基于人工智能的COVID-19影像預警系統(tǒng)應用效果

前瞻性納入預警系統(tǒng)2020年2月24日至2020年2月28日接收的全部胸部CT檢查，共接收1200例患者胸部CT數(shù)據(jù)，實際確診患者預警系統(tǒng)提示可疑COVID-19患者189例。系統(tǒng)平均數(shù)據(jù)接收時間為（119.09±113.53）s，平均預測時間為（105.80±48.50）s，最快預測時間為40 s，應急反應時間為（5±3）min（表2）。

表2 系統(tǒng)前瞻性應用預測數(shù)據(jù)分布（例）

3 討論

COVID-19已是全球的重大公共衛(wèi)生事件。如何做到有效的早篩查、早診斷、早隔離、早治療尤為重要。根據(jù)廣東疾控中心一份研究發(fā)現(xiàn)，至2020年2月10日廣東省人群感染COVID-19數(shù)呈持續(xù)增加，且社區(qū)感染和院內感染增加明顯[11]。做好院內防控感染，建立相應的科室應急及院內應急制度，加強院內聯(lián)動機制，做好全院COVID-19預警具有重要意義。根據(jù)國家衛(wèi)生健康委員會發(fā)行的最新診療方案，COVID-19的診斷主要根據(jù)流行病學、臨床癥狀、CT表現(xiàn)和COVID-19核酸檢測，核酸檢測陽性被認為是確診此類疾病的金標準。但是，研究顯示，其陽性檢出率低，且結果易受多種因素影響[12]。同時，通過相關模型預測COVID-19再生指數(shù)為2.20～3.58，說明病毒依然存在持續(xù)人傳人可能性[13-15]。Wu等[16]研究發(fā)現(xiàn)，如果降低城市傳播率25%，地方流行病的增長率和規(guī)模都將大大降低，說明及早對COVID-19進行篩查，做到早診斷、早隔離可大大降低其傳播率。本研究將COVID-19智能輔助診斷模型嵌入放射科影像檢查流程中，搭建了基于人工智能的COVID-19快速篩查、診斷的預警系統(tǒng)，并評估了其應用效果，有助于減少因診斷工作量大及技師診斷水平不足而導致的臨床漏篩患者，從而降低因影像延誤診斷而導致的交叉感染的風險，對于實現(xiàn)COVID-19早篩查、早診斷、早隔離、早治療及預防院內交叉感染具有重要意義。

新型冠狀病毒感染的肺炎診療方案（試行第六版）中指出重型、危重型患者病程中可為低熱，甚至無明顯發(fā)熱。另外，高璐等[17]研究發(fā)現(xiàn)，部分患者核酸檢查為陰性，肺內已出現(xiàn)病灶，COVID-19的影像學表現(xiàn)可與臨床表現(xiàn)不完全匹配。也有研究顯示普通型COVID-19患者CT表現(xiàn)為散在分布于雙肺的多發(fā)斑片狀磨玻璃樣密度病灶，以胸膜下肺外周為主[16]。它的表現(xiàn)具有一定的特征性，但與其他類型病毒性肺部感染征象仍存在一定的相似之處，需要鑒別診斷[18]。影像技師為放射科最早接觸患者CT影像資料的醫(yī)護人員，但受診斷水平影響，往往容易出現(xiàn)不能準確識別而延誤診斷。本系統(tǒng)將推想科技有限公司研發(fā)的AI肺炎特別版模型應用于放射科檢查流程中，在接收數(shù)據(jù)后最快40 s做出預測，將科內應急時間縮短至5 min左右，且對COVID-19患者預測敏感性達到100%，特異性達82.67%。對系統(tǒng)預警為疑似患者，啟動相應院內應急機制，并對機房進行隔離與消毒，有助于避免因延誤診斷而導致的院內交叉感染。本系統(tǒng)在我院使用期間單日最高結束430次胸部高分辨CT篩查，該預警系統(tǒng)的使用有助于提高診斷效率的同時，也避免了因工作量大而導致的COVID-19延誤診斷。

本文研究也存在以下不足：① 本文預警只作科室內應用，并未建立基于整個診治流程的應用系統(tǒng)，對院內各個環(huán)節(jié)無自動化銜接，后期可作全院自動化預警系統(tǒng)設計；② 本系統(tǒng)預警時間尚待優(yōu)化處理，后期可優(yōu)化數(shù)據(jù)傳輸，并重新設立預警任務建立時間，進一步提升預警速度。

綜上，基于人工智能的COVID-19影像預警系統(tǒng)可大批量、高效處理CT檢查數(shù)據(jù)，對COVID-19患者進行快速篩查，及時發(fā)出預警提示，啟動放射科應急響應，并進一步快速啟動院內其他相關科室對患者的及時響應、及時做出相應決策和處理。該系統(tǒng)整體上有助于減少可疑COVID-19患者放射科就診時間和在院整體就診時間，進而也有助于減少因在放射科及院內就診等候造成的院內交叉感染的風險，可優(yōu)化COVID-19患者診治流程，提升診斷效率。