（文章來源：前瞻網）

新冠肺炎已在全球范圍內傳播，許多地區(qū)的醫(yī)療資源不足?？焖僭\斷COVID-19，發(fā)現(xiàn)預后差的高?；颊?，對早期預防和優(yōu)化醫(yī)療資源具有重要意義。

機器學習已經被利用在許多領域，包括醫(yī)學影像的早期篩查和診斷。在新冠疫情的防治上，這項技術一樣能大展身手。一篇發(fā)表在預印本平臺medRxiv上的論文“A Fully Automatic Deep Learning System for COVID-19 Diagnostic and Prognostic Analysis”提出了一個全自動的深度學習系統(tǒng)，用于COVID-19診斷和預后分析的常規(guī)使用計算機斷層掃描。

研究人員回顧性收集了來自7個省市的5372例CT圖像。首先，他們利用4106例CT圖像和基因信息對機器學習(DL)系統(tǒng)進行預訓練，使其了解肺的特征。隨后，來自6個省市的1266名患者(924例COVID-19, 471例隨訪5+天;342人患有其他肺炎)參與了深度學習系統(tǒng)的培訓和外部驗證。

該系統(tǒng)包括三個部分：肺自動分割、非肺區(qū)抑制、COVID-19診斷和預后分析。在這個DL系統(tǒng)中，涉及兩個DL網絡：DenseNet121-FPN用于胸部CT圖像中的肺部分割，以及新的COVID-19網絡用于COVID-19的診斷和預后分析。

DL是一個層次神經網絡家族，旨在學習原始數據與期望臨床結果之間的抽象映射。將DL模型中的計算單元定義為層次，并將它們集成起來模擬人腦的推理過程。主要的計算公式是卷積、池化、激活和批處理規(guī)范化。

在4個外部驗證集中，深度學習系統(tǒng)在區(qū)分COVID-19與其他肺炎(AUC=0.87和0.88)和病毒性肺炎(AUC=0.86)方面表現(xiàn)良好。此外，深度學習系統(tǒng)成功將患者分為高危組和低危組，兩組患者住院時間差異有統(tǒng)計學意義(p=0.013和0.014)。在沒有人工輔助的情況下，深度學習系統(tǒng)會自動聚焦于異常區(qū)域，這些區(qū)域的特征與所報道的放射學發(fā)現(xiàn)一致。

該系統(tǒng)具有良好的診斷和預測性能，在不增加成本的前提下，對COVID-19的流行控制有一定的幫助。如果是疑似病人，幾分鐘內就能獲得CT掃描。之后，該DL系統(tǒng)可用于預測患者有COVID-19的概率。如果患者被診斷為COVID-19，DL系統(tǒng)還可以同時預測其預后情況，這可以用來尋找需要緊急醫(yī)療資源和特殊護理的潛在高?；颊摺?/p>

更重要的是，該系統(tǒng)速度快，不需要人工輔助圖像標注，提高了其臨床應用價值和魯棒性。對于典型的病人胸部CT掃描，DL系統(tǒng)用于預測預后和診斷的時間不到10秒。

盡管這個DL系統(tǒng)具有良好的性能，但研究人員也提出，本研究仍存在一些局限性。首先，還有其他的預后終點事件，如死亡或進入重癥監(jiān)護室，本研究沒有考慮這些事件。其次，重度COVID-19與輕度COVID-19的治療方法不同，因此，分別探討兩組COVID-19的預后有一定幫助。

深度學習為快速篩選COVID-19和發(fā)現(xiàn)潛在高?；颊咛峁┝朔奖愕墓ぞ撸@可能有助于優(yōu)化醫(yī)療資源，在患者出現(xiàn)嚴重癥狀前進行早期預防。
? ? ? （責任編輯：fqj）