在抗擊新型冠狀病毒期間，受限于新型冠狀病毒核酸檢測試劑盒的產(chǎn)能與應用環(huán)境，諸多定點醫(yī)院無法通過該方式作為初篩手段快速確診感染者，目前普遍多以胸部平掃CT檢查為主。其影像學表現(xiàn)為：單發(fā)或雙肺多發(fā)，斑片狀或節(jié)段性磨玻璃密度影（GGO）為主，其內紋理可呈網(wǎng)格狀（鋪路石征），沿支氣管束或背側、肺底胸膜下分布為主，空氣支氣管征，合并或不合并小葉間隔增厚，少數(shù)葉間胸膜增厚。及時明確此類患者的臨床與影像資料可為臨床早診斷、及時隔離與治療提供參考，改善患者預后恢復。目前感染者臨床與影像學表現(xiàn)雖具有一定特征，但尚無大樣本或階段性總結。

應用人工智能深度學習技術，可有效學習新型冠狀病毒感染影像特征，以準確、有效的對發(fā)熱患者進行排查鑒別，減少排隊時間及院內交叉感染風險。基于人工智能深度學習技術，我院和北京精診醫(yī)療科技有限公司聯(lián)合開發(fā)了新型冠狀病毒輔助診斷系統(tǒng)。該系統(tǒng)通過CT+AI的方式，可填補核酸檢測試劑盒往返運輸上時間的損失，輔助醫(yī)療機構辨別感染者，消除地區(qū)診斷水平差異，實現(xiàn)快速隔離、為診斷治療爭取時間。

（1）提升診斷效率：通過對已確診患者胸部CT數(shù)據(jù)應用人工智能深度學習技術挖掘影像學特征，對大量初篩患者CT數(shù)據(jù)在短時間內報出疑似新冠炎癥區(qū)域，完成疑似病例篩查，輔助高強度工作下的影像診斷。

（2）消除地區(qū)診斷水平差異：以第五版及第六版診療方案中病例特征、檢驗學及第一階段影像學智能診斷基礎，面向感染科、呼吸內科等臨床科室，構建計算機智能輔助診斷評分模型及系統(tǒng)。

（3）對各臨床分型肺炎醫(yī)療數(shù)據(jù)綜合學習：結合重癥特征、影像等多模態(tài)數(shù)據(jù)的分析結果優(yōu)化權重關系，建立危重癥肺炎預測模型，提前預判以行針對性強化治療，提升危重患者生存率。

北京清華長庚醫(yī)院聯(lián)合清華大學精密儀器系、北京精診醫(yī)療科技有限公司、武漢科技大學附屬天佑醫(yī)院、武漢大學中南醫(yī)院、武漢第七醫(yī)院等機構，收集1612例影像與臨床特征數(shù)據(jù)，依托既往基礎，通過醫(yī)工結合人工智能研究對該病診斷效率受限、地區(qū)診斷水平差異、難以預判疾病預后這三大瓶頸開展緊急攻關。

該系統(tǒng)可實現(xiàn)：

（1）輔助影像診斷與輔助臨床診斷：以第六版診療方案中病例特征、檢驗學及第一階段影像學智能診斷基礎，通過對已確診患者胸部CT數(shù)據(jù)應用人工智能深度學習技術挖掘影像學特征，對大量初篩患者CT數(shù)據(jù)在短時間內報出疑似新冠炎癥區(qū)域，完成疑似病例篩查，輔助高強度工作下的影像診斷。同時結合指南中提出的檢驗學指標特征與臨床指標特征進行判讀，輔助醫(yī)生快速進行精準臨床判斷。

（2）精準定量評估：面向感染科、呼吸內科等臨床科室，構建計算機智能輔助診斷評分模型及系統(tǒng)，對炎癥區(qū)域進行邊界信息提取，計算病毒侵犯區(qū)域所占肺葉與肺的體積，幫助醫(yī)生定量評估病情程度；繼續(xù)收集病人影像CT對應的臨床特征信息，對各臨床分型肺炎醫(yī)療數(shù)據(jù)綜合學習，結合重癥特征、影像等多模態(tài)數(shù)據(jù)的分析結果優(yōu)化權重關系，建立危重癥肺炎預測模型，提前預判以行針對性強化治療，提升危重患者生存率。

（3）臨床分型：對各臨床分型肺炎醫(yī)療數(shù)據(jù)綜合學習，建立危重癥肺炎預測模型，提前預判病人病癥分型，進行針對性強化治療，提升危重患者生存率。

（4）支持多國語言：已推出多國語言版本，支持韓語、意大利語、英語等。

截至目前，已收集1612例數(shù)據(jù)，其中陽性數(shù)據(jù)1012例，陰性數(shù)據(jù)612例，其中標注肺部影像輪廓231,100張，肺部炎癥區(qū)域18,600張，人工智能系統(tǒng)累計學習影像圖片數(shù)量達463,200張，該系統(tǒng)已在多家定點醫(yī)院投入實際應用，已輔助醫(yī)生診斷病例數(shù)量達4.3萬例。

圖1 新冠肺炎AI三維全定量分析系統(tǒng)界面

（左為定量分析模塊，中為影像篩查模塊，右為臨床綜合診斷模塊）

截止到2020年5月18日，已在10余家醫(yī)院完成部署，已與3家國外醫(yī)療機構對接。

圖2 武漢中南醫(yī)院與武漢天佑醫(yī)院部署情況

a：數(shù)據(jù)來自五家醫(yī)院收集情況；b：背靠背標注數(shù)據(jù)與質量控制

c：深度學習訓練模型框架；d：部署醫(yī)院方式

算法實驗結果：

*基于1578例數(shù)據(jù)集結果