基于人工智能測量指標的新型冠狀病毒肺炎CT影像鑒別診斷

李大勝，王娜娜，董建平，霍志毅，裴麗君，劉 曦

1. 北京市海淀醫院（北京大學第三醫院海淀院區） a. 放射科；b. 感染科，北京 100080；

2. 北京大學 人口研究所，北京 100871；3. 聯影智能醫療科技（北京）有限公司，北京 100036

引言

新 型 冠 狀 病 毒 肺 炎（Coronavirus Disease 2019，COVID-19）是由一種新型的冠狀病毒引起的，國際病毒分類委員會冠狀病毒研究小組將該病毒命名為SARS-CoV-2。該病毒具有較強的傳染性，感染者病情發展迅速，嚴重者會出現呼吸窘迫綜合征、呼吸衰竭等并發癥，可導致死亡[1]。目前，臨床診斷主要依據流行病學史、臨床癥狀、實驗室檢查結果、胸部影像表現以及核酸檢測（咽拭子或血清抗體）或基因測序同源對比等信息，并將患者分為疑似病例和確診病例。針對疫情，國家衛健委發布的《新型冠狀病毒感染的肺炎診療方案（試行第五版）》[1]，在臨床上依據肺炎影像學特征將疑似患者納入“臨床診斷病例”的分類，胸部影像學檢查在COVID-19診斷中的作用越來越重要。此外，國家衛健委發布的《新型冠狀病毒感染的肺炎診療方案（試行第六版）》[2]指出，胸部影像學顯示24～48 h內病灶明顯進展＞50%者按重型管理，表明胸部影像學征象對于COVID-19的治療具有重要的指導作用。

然而，COVID-19與其他病原體引發的社區獲得性肺炎（Community Acquired Pneumonia，CAP）之間的鑒別診斷依然是臨床工作中的重點和難點，早診斷和早治療對影像和臨床醫生提出了更大的挑戰[3-5]。近年來，臨床應用的人工智能（Arti ficial Intelligence，AI）輔診系統具備良好的檢測敏感性和自動定量分析功能[5-8]。目前，針對COVID-19疫情的AI輔診系統也已經開始在臨床使用。本文旨在探索“影像AI輔診系統”在COVID-19與其他CAP鑒別診斷中的應用價值。

1 資料與方法

1.1 一般資料

2019年1月27日至2020年2月20日期間，收集了北京市海淀醫院（北京大學第三醫院海淀院區）103例肺炎患者，其中29例病例SARS-CoV-2的核酸檢測陽性，確診為COVID-19患者，作為病例組，診斷標準符合國家衛健委《新型冠狀病毒感染的肺炎診療方案（試行第七版）》[3]；74例為排除COVID-19的CAP患者，為對照組。103例患者的年齡范圍為15～86歲，年齡中位數38歲。COVID-19組患者均經核酸檢測為陽性確診，具有典型的流行病學接觸或暴露史，其中10例患者具有武漢旅行史或居住史，19例患者具有與確診病例密切接觸史或共同居住史，19例中的7例為家庭聚集發病。CAP組74例患者為在同一時間段就診于我院的CAP患者，部分核酸檢測為陰性，且全部隨診排除了COVID-19。兩組患者的臨床癥狀主要包括：發熱、咳嗽、咽痛、乏力、腹瀉和肌肉酸痛等。臨床化驗有或無白細胞升高、淋巴細胞減低等情況。收集兩組患者的胸部CT影像資料，CT影像診斷由2名具有診斷經驗的資深醫師（10年以上年資，主治醫師）完成。

1.2 檢查及診斷方法

（1）檢查方法。所有患者均進行胸部CT平掃，采用美國GE公司64排VCT掃描儀和中國聯影公司40排UCT530掃描儀。掃描參數：管電壓120 kV，管電流自動調節，層厚 5 mm，層間距 5 mm，薄層重建 0.625～1 mm，掃描范圍自胸廓入口至后肋膈角水平。所有原始圖像經過影像歸檔和通信系統傳輸至影像診斷工作站。

（2）診斷方法。所有圖像由2名具有豐富工作經驗的放射診斷醫師分別采用常規閱片和AI輔診系統輔助閱片方式進行分析。同時應用AI輔診系統進行定量分析，根據病變累及范圍、病變區域密度值等級劃分，得出感染區域體積占比及感染區域實變分析報告。結合病例的影像和臨床情況，探討基于AI測量指標的COVID-19和CAP患者CT圖像的鑒別診斷價值。

本研究使用的AI輔診系統（uAI新冠肺炎智能輔助分析系統，上海聯影智能醫療科技有限公司）通過學習大量COVID-19病人的CT影像數據，可以自動識別胸部CT影像中炎癥病變的影像特征，并進行全自動病灶勾畫、病灶體積測量及體積占比的量化分析。該系統的分割技術基于VB-Net[9-11]卷積神經網絡來實現。相較于其他圖像分割網絡，VB-Net采用了模型壓縮及顯存優化等技術，具有運行速度快、資源消耗小等特點，更適合處理三維醫學影像的分割任務。CT胸部影像分析流程：① 導入患者胸部CT影像，對左右肺、肺葉和肺段進行分割；② 分割肺內的病灶；③ 統計分割得到的病灶在全肺、左肺和右肺的體積，以及相應的感染百分比，同時結合病灶在肺內的分割統計病灶內不同密度（Houns field Unit，HU）區間的體積以及全肺占比。這些量化指標可以更為有效地描述COVID-19患者的典型與不典型CT征象。

1.3 統計學分析

首先，采用χ2檢驗方法檢驗性別在COVID-19組和CAP組間的差異；對年齡的原始數據進行log轉換，采用t檢驗分析兩組年齡的差異；將AI測量數據（不同密度的感染體積及感染占比）進行log數據轉換后，使數據的分布符合或接近正態分布，且方差齊性，然后采用One-way ANOVA檢驗AI測量值在兩組之間的差異，采用均值±標準差（±s）表示對數轉換后的平均水平。應用SPSS 20.0進行統計分析，P＜0.05作為統計學顯著性水平。

2 結果

2.1 COVID-19組和CAP組的CT影像資料分析

COVID-19具有一定的影像學典型征象。在臨床實踐中，根據病變受累的范圍和表現，推薦將COVID-19的CT表現分為3個階段：早期、進展期和重癥期，部分患者經過隔離治療可出現放射學的轉歸期[1-3,12]。本研究入組的29例COVID-19患者的初次CT檢查，涵蓋了不同階段的CT表現征象。

COVID-19早期CT表現為單肺或雙肺多發局限性磨玻璃影、結節影、淡片影，或者斑片狀、片狀磨玻璃陰影，病變多散在分布，邊界不清。COVID-19單發病灶與多發病灶，分別見圖1和圖2。進展期CT表現為雙肺多發磨玻璃影、程度不等的實變影。重癥期CT表現為雙肺彌漫性磨玻璃及實變，密度不均，實變影內見空氣支氣管征與支氣管輕度擴張，雙肺大部分受累時呈“白肺”表現，伴少許纖維索條影，并雙側少量胸腔積液。

本研究的COVID-19組和CAP組的影像特點與其他研究結果基本相同，根據形態學特點可以做出初步鑒別判斷[12-13]。但部分病例鑒別診斷仍存在困難，常規閱片的方法無法在第一時間排除COVID-19，還需要等待核酸檢測等臨床檢查結果后才能確認。

圖1 COVID-19單發病灶CT圖像

圖2 COVID-19多發病灶CT圖像

2.2 AI輔診系統對COVID-19和CAP鑒別診斷結果

29例COVID-19病例中，男女比例分別是44.83%和55.17%；74例CAP對照組患者中，男女比例分別是59.46%和40.54%，采用χ2檢驗性別在兩組之間的差異無統計學顯著性（P＞0.05）；COVID-19組的年齡中位數是46歲，年齡范圍24～86歲，CAP組年齡中位數是37歲，年齡范圍是15～80歲。將年齡原始數據經log轉換后進行t檢驗，年齡在COVID-19組和CAP組間無統計學顯著性差異（P＞0.05）（表1），年齡和性別在兩組之間無統計學顯著性，表明兩組具有較好的可比性。

表1 COVID-19組和CAP組的性別和年齡比較

COVID-19組和CAP組的AI測量值比較，見表2。表2中數據均為對數轉換后的均數，接近或符合正態分布，且方差齊性，采用One-way ANOVA檢驗兩組在AI測量值的差別，使用±s表示對數轉換后的平均數。研究結果顯示，密度為HU（-750，-300）的感染體積及感染病灶占比在COVID-19組和CAP組之間均存在顯著的統計學差異（P＜0.05）；全肺感染體積及其感染占比、左肺感染體積及其感染占比、右肺感染體積及其感染占比、HU（＜-750）感染體積及其感染占比、HU（-300，49）感染體積及其感染占比在兩組之間無統計學差異（P＞0.05）。圖3顯示了HU（-750，-300）感染體積及感染占比在COVID-19組和CAP組之間的比較結果，顯示COVID-19組的HU（-750，-300）感染體積平均水平及感染占比平均水平均顯著高于CAP組。

3 討論

CT影像是篩查COVID-19的有效方法，與核酸檢測相比耗時少，完成一次胸部CT掃描僅需要幾十秒。高清晰度的CT圖像可以通過網絡傳輸，便于遠程閱片。CT圖像的分辨力高，可以很好地顯示肺部病灶的細節及特點，但薄層CT影像圖片較多、工作量大，一次CT掃描就產生超過300幅影像。診斷準確性取決于影像診斷醫師的水平和細致程度，工作強度較大，容易出現漏、誤診。我院作為北京市COVID-19定點收治醫院，引入“uAI新冠肺炎智能輔助分析系統”，處理完成300余幅圖像僅需10 s，而人工處理需要10～15 min以上才能完成全部評價，現在AI+人工大約5 min就可以完成，大幅提高了臨床診斷效率，為臨床COVID-19的準確診斷提供了新的依據和保障[4-6,14-15]。

表2 COVID-19組和CAP組之間的AI測量值比較（±s）

注：表中變量均為對數轉換后，接近或符合正態分布且方差齊性，采用One-way ANOVA檢驗。

組別占比(%)COVID-19(n=29)全肺感染 左肺感染 右肺感染 HU (＜-750)感染 HU (-750, -300)感染 HU (-300, 49)感染體積(cm3)占比(%)體積(cm3)占比(%)體積(cm3)占比(%)體積(cm3)占比(%)體積(cm3)占比(%)體積(cm3)-1.28±1.46 CAP(n=74)3.86±1.78 0.20±1.63 1.98±2.64-0.39±1.85 2.21±3.04-0.09±2.05 0.98±1.90-1.77±1.02 3.52±1.74-0.08±1.51 1.67±2.28-1.52±1.06 F值 3.671 3.784 2.776 2.326 2.505 3.957 3.291 2.839 5.201 6.402 0.654 0.884 P值 0.058 0.055 0.099 0.130 0.117 0.049 0.073 0.095 0.025 0.013 0.421 0.349 3.07±1.92-0.43±1.43 0.98±2.77-0.98±1.72 1.22±2.76-0.84±1.57 0.23±1.87-2.03±0.55 2.57±1.94-0.85±1.34 1.29±2.13

圖3 COVID-19組和CAP組的HU（-750，-300）感染體積（a）及感染占比（b）散點分布圖

COVID-19和CAP患者的CT影像存在差別。目前，臨床上更多的是進行形態學內容分析、定性描述[9-10,16-17]，而我們通過在臨床工作中應用AI，可以對肺炎病灶進行的定量分析，其中的部分指標對COVID-19的診斷和鑒別診斷具有統計學意義。基于AI測量指標的COVID-19 CT影像鑒別診斷在臨床上也可以實現。

目前，針對COVID-19的影像學特征還缺乏定量評估的分析和研究，很多研究都是以影像表現的描述為主[16-18]。有研究報道了基于影像特征的AI輔診系統，探討了AI在肺炎診斷中的作用[4-5]，提出重型及危重型COVID-19患者病灶占整肺百分比呈現遞增趨勢。本研究以輕型和普通型為主，病灶占整肺百分比程度相對較小，同樣驗證了該系統的定量評估作用。對于肺炎疑似患者，該系統會立即生成肺炎分析報告，包含感染區域體積占比和感染區域實變分析兩個方面，感染區域體積占位分析了病灶在全肺、每個肺葉的體積比例。

本研究中COVID-19組與CAP組的統計學比較顯示，HU（-750，-300）感染體積及感染占比在兩組間均存在統計學意義。而全肺感染體積及其感染占比、左肺感染體積及其感染占比、右肺感染體積及其感染占比、HU（＜-750）感染體積及其感染占比、HU（-300，49）感染體積及其感染占比在兩組之間無統計學差異（P＞0.05）。本研究中COVID-19和CAP組的病灶密度存在差別，初診的COVID-19感染區域內密度為HU（-750，-300）的成分與CAP的成分之間存在差異，提示了COVID-19病灶內的密度較低，也就是密度在HU（-750，-300）的病灶體積較大，占全部病灶的比例較大。在國內外的研究中，通常把這種病灶描述為磨玻璃樣密度影[9-13,19-21]，但是這種計算定量測量密度和比例的工作在人工閱片診斷時無法完成。AI輔助診斷可以非常快捷和準確地獲得定量數據，與人工傳統閱片相結合，可以對炎癥病灶中所謂的磨玻璃密度影病灶進行定量分析，從而為COVID-19和CAP的鑒別診斷提供更確切的依據。

4 結論

CT檢查結果是COVID-19確診的重要手段，在臨床篩查工作中具有明顯的優勢。AI輔診系統可以大大提高CT的診斷效率，并在對病灶量化測量的基礎上，通過對肺炎病灶的形態學觀察，對COVID-19和CAP進行鑒別診斷，使CT在篩查中發揮更大的作用。本研究的不足之處在于樣本量較小，對COVID-19的定量研究尚缺乏大數據支持，需要在更多的臨床應用中去驗證。