新冠肺炎研究进展的几篇论文（二）

“停课不停研",论文品读

论文地址：https://pubs.rsna.org/doi/10.1148/radiol.2020200905

参考CSDN文章：https://blog.csdn.net/l7H9JA4/article/details/105061797

Artificial Intelligence Distinguishes COVID-19 from Community Acquired Pneumonia on Chest CT

COVNet = COVID-19 detection neural network
CAP = community acquired pneumonia 社区获得性肺炎

概述：深度学习检测2019年冠状病毒疾病(covid19)，并使用胸部CT将其与社区获得性肺炎和其他非肺炎性肺部疾病区分开来。

摘要：
目的：研制一种利用胸部CT检测COVID-19的全自动框架，并对其性能进行评价
材料与方法：在本回顾性多中心研究中，建立COVID-19检测神经网络(COVNet)深度学习模型，从容积性胸部CT检查中提取视觉特征，用于COVID-19的检测。包括社区获得性肺炎(CAP)和其他非肺炎CT检查，以检验模型的稳健性。这些数据收集自2016年8月至2020年2月期间的6家医院。通过受试者工作特征曲线(AUC)下面积、敏感性和特异性来评估诊断性能。
结论：深度学习模型能准确检测COVID-19，并将其与社区获得性肺炎等肺部疾病区分开来

背景：
最近，利用深度学习技术的人工智能(AI)由于其高特征提取能力在医学成像领域取得了巨大的成功。具体来说，在儿科胸片中应用深度学习来检测和鉴别细菌性和病毒性肺炎。人们还尝试检测胸部CT的各种成像特征。在本研究中，我们提出了一种利用胸部CT检测COVID-19的三维深度学习框架，参考COVID-19检测神经网络(COVNet)。包括社区获得性肺炎(CAP)和其他非肺炎检查，以检验模型的稳健性。

数据来源：
6个医疗中心获得的3,506名患者的4,536例三维(3D)容积性胸部CT检查。排除标准包括:
1)CT增强检查;
2)检测切片厚度>3mm。

采用排除标准后，本研究选取3322例患者的4356例的3D胸部CT检查，平均年龄为49±15岁，男性略多于女性(1838 vs 1484;pvalue = 0.29)。包括在同一成像过程中或在多个时间点获得多个重建核的CT检查。最后的数据集包括COVID-19的1296项(30%)检查、CAP的1735项(40%)检查和非肺炎的1325项(30%)检查。经RTPCR检测，所有covid19均为阳性。

深度学习模型：
它能够提取2D局部和3D全局代表特征。COVNet框架由一个RestNet50作为主干，它以一系列CT切片作为输入，并为相应的切片生成特征。然后通过最大池操作将从所有片中提取的特性组合起来。最终的特征图被提供给一个完全连接的层和softmax激活函数，以生成每种类型(COVID-19、CAP和non-pneumonia)的概率分数。具体来说，对于一个3D CT检查，我们首先对其进行预处理，然后使用基于U-net的分割方法提取肺区域作为感兴趣区域(ROI)。预处理后的图像被传递到我们的COVNet进行预测。

结论：
开发的深度学习模型（COVNet）可以准确地检测COVID-19并将其与社区获得性肺炎等肺部疾病区分开来。独立检测组检测COVID-19的每次检查敏感性和特异性分别为127 (90% [95% CI: 83%， 94%])中的114 (90% [95% CI: 93%， 98%])和307 (96% [95% CI: 93%， 98%])中的294 (90% [95% CI: 93%， 98%])， AUC为0.96 (p-value<0.001)。独立测试集检测CAP的每次考试敏感性和特异性分别为87%(152(175)和92% (239 (259))，AUC为0.95 (95% CI: 0.93, 0.97)。
为了提高模型的可解释性，我们采用梯度加权类激活映射(grado - cam)方法对导致深度学习模型决策的重要区域进行可视化处理。这样的本地化映射完全由模型生成，没有额外的手动注释。

局限性：
首先，COVID-19是由冠状病毒引起的，可能具有与其他类型病毒引起的肺炎相似的影像学特征
其次，所有深度学习方法的一个缺点是缺乏透明性和可解释性
第三，肺对各种损伤的反应有大量重叠，肺中许多疾病的表现也有大量重叠，这些疾病取决于宿主因素(如年龄、药物反应性、免疫状态、潜在的共病)
此外，虽然本研究收集了大量的数据，但测试集与训练集来自同一家医院。

总结：
我们建立了一个稳健的深度学习模型来区分COVID-19和CAP与胸部CT图像。这些结果表明，使用卷积网络模型的机器学习方法具有区分COVID-19和社区获得性肺炎的能力。