沈聰 郭佑民

目前，新型冠狀病毒肺炎(簡稱“新冠肺炎”)已經(jīng)成為威脅全球的重要公共健康衛(wèi)生事件[1-2]。新冠肺炎的主要確診手段為實時逆轉錄聚合酶鏈式反應(real-time reverse transcription polymerase chain reaction, RT-PCR)，但由于各種原因(試劑盒靈敏度、咽拭子或鼻拭子取材操作、取材時機與病毒載量等)導致其檢測敏感度僅為60%～70%[3-4]。CT作為主要的影像學檢查手段，在新冠肺炎患者的病變檢出[5]、輔助確診[4,6]、病情嚴重程度評估[7]、鑒別診斷[8]、隨診復查[9]及預后預測[10]中發(fā)揮著很重要的作用。

疫情早期，有研究在CT圖像上通過人工讀片對病變征象及病變嚴重程度進行分析[11-13]。即在軸面CT圖像上將病變密度分為：0，透亮度正常；1，磨玻璃樣密度；2，實變。根據(jù)每個肺葉的受累程度分為6層次：0，無病變；1，<5%; 2，5%～<25%；3，25%～<50%；4，50%～75%；5，>75%。然后分別將5個肺葉的病變性質(zhì)分數(shù)和肺葉受累分數(shù)相乘，后相加以獲得最終的CT分數(shù)，則：最大病變分數(shù)為5(個肺葉)×5(肺葉受累范圍)×2(實變)=50。也有研究者將病變的性質(zhì)分為4個程度：1，磨玻璃樣密度；2，實變；3，實變與磨玻璃樣密度混合，磨玻璃樣密度占比>50%；4，實變與磨玻璃樣密度混合，實變密度占比>50%。Lyu等[12]通過對病變的CT征象分析，發(fā)現(xiàn)病變累及的肺段數(shù)和肺葉數(shù)越多、病變內(nèi)實性成分越高，病變越嚴重。Li等[11]使用人工評價的方法鑒別重型新冠肺炎患者，曲線下面積達到0.918。半定量評價方法在短期內(nèi)解決了患者快速分流的問題，但具有一定的主觀性，耗時耗力且受觀察者本身的經(jīng)驗影響。

隨著疫情的擴大，確診的患者例數(shù)激增，且確診患者的首選檢查及多次隨診復查均采用CT，需要分析大量的影像學圖片，對于影像科的讀片工作是一個巨大的挑戰(zhàn)。在此緊迫需求的基礎上，大量影像學計算機輔助的病變檢測及定量[12,14-18],以及各種人工智能診斷系統(tǒng)輔助檢測病變得到廣泛應用[19-22]，包括部分發(fā)表在網(wǎng)絡預印本(MedRxiv)上的深度學習或人工智能技術應用于新冠肺炎的檢測及嚴重程度判斷[23-26]。關于人工智能技術在新冠肺炎患者CT讀片中的應用，仍然需要注意以下幾點問題。

一、對病變的準確分割是病變定量及深度學習的關鍵

不論是病變定量分析，還是病變的特征提取，都基于對病變的準確分割。分割包括手動分割、半自動分割及自動分割。手動分割在圖像深度學習領域被認為是金標準，往往需要由專業(yè)的影像科醫(yī)師讀片時標注感興趣區(qū)，整個過程費時費力，且不能避免讀片者對病灶勾勒的主觀性，因此手動分割結果需要更高級的醫(yī)師進行審核。

二、基于經(jīng)驗和知識的定量指標兼具快速、精準、定量的特點

根據(jù)醫(yī)師對新冠肺炎患者CT征象[27]的認識，研究者設計了一些病變的定量特征，包括病變的體積、密度、百分比、分布、病變內(nèi)的磨玻璃樣成分、病變質(zhì)量等[14-15,17]。Shen等[14]和Cheng等[15]比較了人為設計的定量指標與人工評價的相關性，發(fā)現(xiàn)二者相關性較高，且定量指標能更真實地反映病變的情況。Yu 等[28]在準確分割病變的基礎上，采用密度直方圖分析病變內(nèi)的密度組成成分及比例。結果發(fā)現(xiàn)，病情早期，病變密度較淡薄且均一，密度直方圖呈靠左的單峰；隨著病變進展，病變密度增高，直方圖的峰值右移；隨著病變吸收，病變不同位置消散程度不一致，直方圖由單峰變?yōu)殡p峰，峰值逐漸向左移。Yu等[17]納入421例新冠肺炎患者，經(jīng)計算機自動分割病變后，計算不同肺葉病變的體積及密度；結果發(fā)現(xiàn)，雙肺上葉病變密度較實是患者預后差的獨立危險因素。Liu等[18]采用人工智能技術自動分割病變，計算病變內(nèi)的磨玻璃狀影部分的體積、半實性部分的體積和實性部分的體積，計算病程首日和病程第4天的以上指標的差值，可以較好地鑒別出重型新冠肺炎患者。因此，定量影像學兼具了精準定量與有監(jiān)督學習的特點，其結果具有可解釋性，容易理解且被臨床所接受，準確性和時效性均高于人工評價方法。

三、基于人工智能技術對新冠肺炎患者CT圖像識別中的價值

醫(yī)學圖像復雜度及精確度高，且多為容積成像，需要采用三維(3D)的卷積核進行特征識別，因此需要更高的計算機處理能力和更快的處理速度。在此次疫情中，一些學者(或聯(lián)合廠商)做了一些深度學習的探索性研究。Li等[19]收集了1296例新冠肺炎患者、1735例社區(qū)獲得性肺炎患者和1325例非肺炎患者的CT圖像。使用Res-Net50作為深度學習的模型骨架，使用3D卷積核提取2D及3D特征，對以上患者進行分類[29]；但文中使用深度學習模型分割得到的結果，未經(jīng)過多方專家的審閱與矯正，可能會高估深度學習算法的智能性。

在Bai等[21]的研究中，包括了521例新冠肺炎患者和665例非新冠病毒感染的肺炎患者的CT圖像。在病變分割中，首先對肺部組織進行分割，且肺組織的分割允許醫(yī)師手動修改不滿意的地方。病變的每一層均采用手動分割結果作為深度訓練的輸入層。如前所述，手動分割費時費力，因此納入的患者例數(shù)有限，作者通過翻轉、旋轉、隨機噪聲、模糊、人為調(diào)節(jié)對比度等多種方法增加輸入樣本量。再者該深度模型采用了ImageNet上訓練所得的參數(shù)作為初始參數(shù)，該數(shù)據(jù)集的分辨率及分割的精準要求與醫(yī)學圖像相去甚遠，訓練的結果仍然具有一定的局限性。

Murphy等[22]以RT-PCR為金標準，在肺結核胸片的自動檢測[30]基礎上進一步用于胸片上對RT-PCR陽性患者與陰性患者的鑒別，與人工讀片的結果進行對比發(fā)現(xiàn)，使用人工智能技術鑒別RT-PCR患者的曲線下面積高于人工讀片，敏感度和特異度分別為85%和61%。該方法使用醫(yī)學圖像(22 184 張胸片，包括7851張正常胸片和5012張肺炎胸片)的訓練結果作為預估參數(shù)，再將其應用于新冠肺炎患者(416例RT-PCR檢測陽性和191例RT-PCR檢測陰性)的模型訓練，最后使用外部驗證(994張新冠肺炎患者的圖像，其中40張用于檢驗)，較前所述文獻報告提高了結果的可信度。

四、醫(yī)學影像學的人工智能技術需結合臨床及實驗室檢查

影像學表現(xiàn)與臨床表現(xiàn)、實驗室檢查的改變往往具有不一致性，出現(xiàn)“癥征不符”。一般來說，影像學改變晚于外周血淋巴細胞的降低。隨著患者的增加，越來越多的無癥狀感染者也被發(fā)現(xiàn)[31]。系統(tǒng)回顧研究發(fā)現(xiàn)，年齡、多臟器功能綜合評價指數(shù)、高血壓及心血管慢性病、低淋巴細胞計數(shù)、高D-二聚體等都是新冠肺炎患者預后不良的危險因素[32]。將影像學特征與臨床表現(xiàn)、實驗室檢查結果相結合有助于對新冠肺炎患者進行早期診斷及預后評估。

總之，目前醫(yī)學影像學在逐步進入大數(shù)據(jù)研究時代。而大數(shù)據(jù)的應用具有厚積薄發(fā)的特點，往往需要我們經(jīng)過長期大量的基礎準備工作后，才能使數(shù)據(jù)更好地發(fā)揮其潛在價值，將其應用于醫(yī)師的臨床工作中。