人工智能輔助診斷系統在2019新型冠狀病毒（2019-nCov）肺炎疑似病例篩查中的臨床應用

宋鐵石，胡霖霖，梁爽

（1.牡丹江醫學院附屬紅旗醫院信息中心，黑龍江 牡丹江 157011；2.第三軍醫大學第三附屬大坪醫院放射診斷科，重慶 400000；3.重慶大學“生物流變科學與技術”教育部重點實驗室，重慶 400000；4.牡丹江醫學院附屬紅旗醫院放射科，黑龍江 牡丹江 157011）

0 引言

2019年12月，湖北省武漢市及全國部分醫療機構發現多例原因不明肺部炎性患者，患者臨床表現多為發熱、胸悶、氣促、胸部影像學檢查顯示為浸潤性炎癥改變等。2020年1月7日，經實驗室自感染者呼吸道上皮細胞分離檢出一種新型冠狀病毒，獲得該病毒的全基因組序列，2020年1月12日，世界衛生組織正式將造成武漢肺炎疫情的新型冠狀病毒命名為“2019新型冠狀病毒”（2019Novel Coronavirus,2019-nCov），2020年1月20日，國家衛健委宣布，將新型冠狀病毒感染的肺炎納入《中華人民共和國傳染病防治法》規定的乙類傳染病，并采取甲類傳染病的預防、控制措施[1]。世界衛生組織2020年1月12日發布“疑似新型冠狀病毒感染造成嚴重急性呼吸道感染臨床處置指南”，WHO在2020年1月28日發布2019-nCoV相關重癥感染臨床指南[2-3]，2020年1月21日，華中科技大學同濟醫學院附屬同濟醫院救治醫療專家第一時間制定并發布新型冠狀病毒感染的肺炎診療快速指南（第一版），現根據國家衛生健康委“新型冠狀病毒感染的肺炎診療方案（試行第三版）”作為新冠肺炎臨床診治參考[4-5]。

當前，新型冠狀病毒肺炎疫情已經全國覆蓋，疫情嚴峻，防范治療刻不容緩。借助人工智能技術快速篩查疑似病例，加速檢驗過程，提前發現疑似病例，極大降低集中檢驗過程中的交叉感染，彌補影像醫技人手不足，保護醫護人員，積極為打贏疫情防控阻擊戰作出貢獻。

隨著疫情的發展，矛盾的焦點從確診病人的診斷，轉移到疑似病例的分類和疑似病人的收治觀察。

目前，隨著確診病人數量的增加已經接近醫院的收治床位數量，大量的疑似病人在院外，到底哪些應該收治成為焦點和亟待解決的問題。政府和衛健委：對于疑似患者中到底有多少數量是可能發生的病例，不清楚。對于由此產生的區域疫情發展情況不明，行動比較盲目。對于指定醫院，院領導：無法及時區分對待和處置發熱病人，哪些需要住院觀察，哪些居家觀察。床位緊張！如何安排，以什么為依據對于疑似患者：如何區分是否可疑？降低非新冠狀病毒肺炎患者在醫院的交叉感染。目前放射科成為防護最薄弱，人傳人幾率最高的科室。影像檢查是病毒性肺炎當仁不讓的第一道防線，篩查的第一時間要素。

疫情面前，專家顯得異常不足，為了避免傳染專家、提供高效的診斷流程，一線醫生給專家提供高質量的病史和CT胸片對診斷和判斷病情十分重要。有的被感染的醫務人員不排除是經過接觸污染的手機染病。

新型冠狀病毒發展迅速、在目前醫療資源緊張，醫務工作人員工作量劇增的嚴峻形勢下，借助人工智能技術可以高效的輔助當前新冠肺炎病例的大規模影像篩查，有助于及時發現潛在的患者，加強防控。2019-nCov人工智能輔助診斷系統（Dr.Wise?肺部疾病智能解決方案-新冠肺炎增強版）在疑似病例篩查中為診療管理提供全流程服務，并對肺部CT炎癥的診斷提供了包括、定位、定量、多點隨訪等信息，輔助醫生大幅提升診斷效率，同時提高診斷準確性。2019-nCov人工智能輔助診斷系統的架構和應用，有望為新型冠狀病毒疑似病例篩查提供先驅醫療診斷，提供有效即時性智能輔助，節約診療配給，并通過進一步圖像識別和深度學習，為新型冠狀病毒的醫學影像學研究提供更多有效支持[6]。

1 2019-nCov肺部炎癥的影像學特點

1.1 早期病變

2019-nCov肺部炎癥系病毒感染性炎癥，病毒感染引致肺炎時，均始于感染終末及呼吸性細支氣管周圍的肺實質，隨著病變進展，進而累及整個肺小葉結構，表現在影像學上，病變多位于雙肺邊緣、胸膜下并以雙下肺為著[7]，CT掃描顯示單肺或雙肺局限性炎性浸潤，形態以片狀、團狀、斑片狀及節段性密度增高影，其中以肺磨玻璃樣影(ground glass opacity，GGO)常見，病灶內可見迂曲增粗血管影及雙軌狀含氣支氣管影穿行[8]，以雙肺多發常見，也可見肺內結節影、實變影、局限性小葉間隔網格狀增厚，病變一般較為局限不受累全葉。無顯著縱隔淋巴結腫大，無伴有胸膜病變。極少數患者病程早期影像學檢查結果為陰性，復查出現肺內陽性改變。

1.2 進展期

病灶進展的主要表現為病灶區域擴展，部分病灶融合成片，密度增高，可漸進性累及雙肺多葉多段，肺內實變與肺GGO交錯共存，小葉間隔不均勻增厚，典型者呈“鋪路石”樣改變[9]，進展期2019-nCoV呈多變、多灶、多葉、多發、多樣改變，病變進展迅速，少數伴有淋巴結腫大（如圖1a-1c所示）。

圖1a-1c 2019-nCoV 肺炎患者進展期CT 影像學改變

1.3 轉歸期

疾病處于轉歸期多見于炎癥致病后一周，肺部CT表現為病灶范圍的縮小、密度減低、部分磨玻璃樣影消失、實變影縮小，部分病灶完全吸收，部分病灶殘留纖維條索瘢痕影。

1.4 重癥及危重期

重癥及危重患者肺部CT表現為雙肺彌漫性病變，病變表現為雙肺多發索條狀高密度影、雙肺實變影、雙肺GGO合并鋪路石樣改變，部分病例伴有胸膜病變及淋巴結受累。

2 病毒性肺炎人工智能診斷檢出指南

基于新型冠狀病毒肺炎影像學診斷指南（2020第一版）人工智能診斷系統基于肺全科AI醫學輔助診斷系統構建升級版搜索引擎[10,11]，系統采用了先進的自適應3D深度卷積神經網絡技術和獨創的規則算法，融入了海量精選病例的深度學習和專家經驗與指導，突破傳統CAD系統檢測的盲區，在傳統成熟項目肺結節上，保持對各型結節包括：實性結節、磨玻璃結節、形態不規則的大結節、血管旁結節、肺門區結節等高敏感性和高特異性的優勢。緊緊圍繞呼吸系統相關疾病，對氣管、支氣管、肺部及胸腔內的常見病、多發病包括慢性阻塞性肺病、支氣管哮喘、支氣管擴張、肺部彌散性間質纖維化，以及肺部感染等疾病對應的肺部影像征象進行檢出，完成對肺部疾病所對應的影像征象包括：條索影、磨玻璃密度影、肺大皰、支氣管擴張、胸腔積液、氣胸等的全面覆蓋，做到最大程度貼合醫生應用場景（如圖2）。

圖2 全肺人工智能輔助診斷系統界面

2.1 全肺人工智能輔助診斷能力引擎

（1）多類征象檢出：肺部實疾病、肺氣腫、條索影、胸膜增厚、胸腔積液、磨玻璃密、肺大皰、支氣管擴張、氣胸，網格影，骨折等。

（2）嚴重疾病警告：對于氣胸、胸腔積液這類臨床醫生需要第一時間進行評估處理的病灶，系統檢出后會通過紅框展示的視覺方案進行提示與警告（如圖3）。

圖3 嚴重疾病警告

（3）智能多維度MPR顯示：通過橫軸位、冠狀位、矢狀位之間的聯動展示，分析一個病灶在三個不同平面的位置和形態以及與周圍組織結構的關系。

（4）智能隨訪：自動發現并提示歷史檢查信息、自動關聯病灶、自動病灶分析、圖表式、表格式分析展示隨訪結果。

2.2 新型冠狀病毒肺炎診斷功能搜索引擎（New Coronavirus Pneumonia Diagnosis Function Search Engine）

3 2019-nCov人工智能輔助診斷系統架構

新型冠狀病毒人工智能輔助診斷系統架構場景包括基礎模式的入駐式部署及云平臺部署，前者適用于大型醫院、指定醫院的場景；優點：性能強，AI診斷速度很快；缺點：系統需要單獨部署、部署時間和要求較高不能傳片、不能多地協同閱片。后者適用于各種醫院、醫聯體、移動化場景優點：系統一次部署全區域使用、可AI診斷、可手工傳片、遠程多地協同閱片、包含協同報告系統，可手機查看報告缺點：集中運算、AI診斷速度一般。

表1 新型冠狀病毒肺炎診斷功能搜索模塊

病毒性肺炎AI影像云—5G+云+AI的創新融合場景架構將基于云端的高效平臺并方便即時性的AI輔助，同時可以提供遠程會診，將5G、云計算、人工智能與醫學影像融合，形成面向病毒性肺炎診斷的智能、遠程、協同、高效的醫學影像輔助診斷系統（如圖4-5），無論是影像疑似病例確認為影像診斷病例，還是轉歸期患者確診，多次CT復查隨訪都是必不可少的。“肺部疾病智能隨訪系統”可以針對同一患者的隨訪檢查進行智能分析，對比病灶的變化情況，輔助醫生對病情進展進行準確判斷，極大提高病毒性肺炎影像診斷水平與效率，且不會疲倦。

圖4 病毒性肺炎AI 影像云—5G+云+AI 的創新融合解決方案

圖5 病毒性肺炎AI影像云—5G+云+AI的創新融合解決方案-架構特點

2019-nCov人工智能輔助診斷訓練數據來自于由多中心的數據樣本，所有醫師均由三甲醫院高年資醫生組成，對于不同醫院、廠商設備、卷積核、檢測效果可靠穩定，2019-nCov人工智能輔助診斷系統數據集具有魯棒性、泛化性。

4 結論

綜上所述，2019-nCov人工智能輔助診斷系統在原有強大的全肺AI輔助診斷系統的基礎上，對新型肺炎的篩查功能進行了專門的強化，可以針對各類原因導致的肺炎CT影像進行快速檢測，也可幫助新冠肺炎的早期影像進行大規模病例篩查，檢出率高，有助于及時發現潛在病人，避免假陽性患者的隔離，有效節約國家醫療資源，并“早發現、早診斷、早隔離”為疫情的防控提供時間窗，為防控疫情做出醫療布控。并為新型冠狀病毒放射科篩查節約臨床診療資源，助力一線醫生進行新型冠狀病毒感染肺炎的影像診斷。深睿醫療的AI醫學輔助診斷系統將在這里為一線疫情防控做出貢獻。

AI影像篩查技術現階段是通過CT等醫學影像進行預篩的疑似病例的一種技術手段，但也存在一定的漏篩可能，疫情的最新發展可能存在病毒變異影響AI識別效果的可能性，需要不斷更新AI引擎以提升識別疑似病例的篩選能力。在醫學影像領域，人工智能技術的介入結合大數據挖掘，使得醫學影像大數據在人工智能的篩選、梳理和提取后，可能轉換成有效的臨床決策。