淺談AI技術在COVID-19診療中的應用

發布日期：2022-08-25 閱讀次數：12798 來源：中國醫藥報

摘要：

新型冠狀病毒肺炎（COVID-19）疫情的快速傳播為世界公共衛生系統帶來巨大挑戰。短時間內，大量患者涌入急診和發熱門診接受診斷和治療，醫療機構負荷驟然上升。作為COVID-19診斷的重要方法，CT影像和實時熒光RT-PCR檢測能力亟待提高。同時，由于缺乏對患者病情走勢的判斷依據，醫護人員往往難以提前對COVID-19急性并發癥患者進行干預。

人工智能（AI）技術的運用有助于應對上述挑戰。其基于卷積神經網絡、機器學習和深度學習等技術，通過對海量數據進行訓練和學習，使算法模型具有良好的決策判斷能力、適應能力和自我完善能力。在COVID-19診斷和治療過程中，AI技術可以高效輔助醫護人員，在緩解醫療資源緊張、減少人為失誤、提高診斷質量、預測病情趨勢等方面發揮重要作用。國內外研究人員在該領域積極開展相關研究，以使現有診療方法在AI技術的幫助下發揮更大作用。

利用胸部CT的AI診斷

胸部高分辨率CT（HRCT）是當前篩查COVID-19的首選影像學方法。COVID-19患者早期多發小斑片影，晚期多發雙肺磨玻璃影和浸潤影。利用AI技術建立的算法模型，通過訓練學習上述影像特征，能夠輔助醫師進行閱片，這將極大提高閱片效率，有效解決因醫師閱片經驗不足或能力水平差異導致的閱片質量問題。

值得關注的是，為保障COVID-19疫情防控所需，國家藥監局醫療器械技術審評中心于2020年3月發布《肺炎CT影像輔助分診與評估軟件審評要點（試行）》，以指導相關產品注冊申報。

有研究人員設計了一種基于胸部CT影像的COVID-19 AI診斷算法。研究人員收集了325例COVID-19確診患者的胸部CT影像，以及740例先前被診斷為典型性肺炎的患者的胸部CT影像，利用卷積神經網絡技術使其訓練學習這些影像的特征，特別是學習COVID-19和普通肺炎的影像區別，并采用內部測試數據集驗證算法性能。結果顯示，該算法模型曲線下面積（AUC）達0.93，特異性為0.88，靈敏性為0.87，對單個病例的診斷時間僅為10秒。AUC在一定程度上可以反映算法模型的性能好壞，其數值越接近1，代表該模型準確度越高。

還有研究人員使用基于卷積神經網絡技術且擅長可視化分析的Grad-Cam模型對病灶進行定位分析，將具有不同分辨率的CT平掃圖像融合為3D圖像后，計算被新型冠狀病毒侵入的肺部體積，并得出新型冠狀病毒評分（Corona Score）。該評分用于評估病毒在肺部的傳播程度，能夠為放射科醫生提供有價值的診斷建議。研究者又利用含270例COVID-19確診患者胸部CT影像的數據集，對該模型性能進行了驗證，結果顯示，AUC達0.948，敏感性為0.94，特異性為0.98。

利用常規臨床指征的AI診斷

在COVID-19疫情傳播初期，由于其癥狀與流行性感冒以及普通肺炎等其他呼吸系統疾病癥狀類似，需要排查大量的疑似病例。醫療機構，特別是處于欠發達地區和基層的醫療機構，其CT造影和核酸檢測能力短期內無法滿足這樣的排查需求。

通過大數據分析和AI算法研究病例的常規臨床身體指征及病情變化，能夠輔助COVI D-19患者診斷，且對于新型傳染病發病早期患者分類分級、提高醫療資源利用效率具有重要意義。

有研究人員在COVID-19疫情初期，對醫院發熱門診收治的132例具有流行病學意義的COVID-19接觸史病例進行了研究。研究人員將患者體溫、心率、血常規、咳嗽、肌肉疼痛等指標的門診記錄列入采樣特征，采用機器學習算法Lasso遞歸，建立了無CT檢查的疑似病例早期診斷輔助模型。該模型性能驗證結果顯示，AUC為 0.93，敏感性為1，特異性為0.77。

此外，為輔助醫療機構對COVID-19疑似病例進行診斷，有研究人員設計建立了一種基于常規急診檢查指標的COVID-19陽性預測模型。研究人員收集了巴西圣保羅一家醫院的235例急診就診病例（其中，70%的病例數據用于算法訓練，30%的病例數據用于算法驗證），病例全部接受血常規檢查和RT-PCR核酸檢測，結果顯示，有102例患者的核酸檢測結果為陽性。隨后，研究人員又選取了年齡、性別、血紅細胞數量、紅細胞平均血紅蛋白濃度、C反應蛋白等17項指標，分別采用5種機器學習算法訓練模型進行研究。結果顯示，驗證性能較好的算法是隨機樹和支持向量機，這兩種算法的AUC均能達到0.85。

對患者并發癥的AI預測

有研究人員通過回顧性分析COVID-19患者入院時的臨床特征發現，重癥患者易出現急性呼吸窘迫綜合征（ARDS）、心肌損傷、凝血障礙、腎損傷和休克等并發癥。通過分析致病因素、患者身體指征、病情發展時間等數據，利用深度學習等AI技術，可提前獲取病情發展趨勢并預測可能出現的并發癥，這對于患者病情危重程度預判、醫療資源調配、診療方案早期介入，以及降低COVID-19患者死亡率等都非常重要。

有研究人員收集了53例COVID-19咽拭子核酸檢測陽性確診病例的數據，設計了一種用于預測COVID-19患者是否患有ARDS的模型。該研究利用機器學習中的特征工程步驟對數據進行預處理，選取用于預測ARDS的具有最小規模和最大貢獻值的數據特征集。其中，在數據預處理過程中，研究人員采用過濾法確定含有谷丙轉氨酶、淋巴細胞數量、肌酐、性別、年齡等11項生化指標的特征集，并將其用于模型訓練。結果顯示，該模型預測準確度達到80%。相比之下，采用肺部CT手段或通過發燒癥狀、淋巴細胞減少癥等進行判斷，都無法準確預測ARDS是否發生。

此外，急性腎衰竭（AKI）也是一種危險程度較大的COVID-19并發癥。有研究人員收集了紐約市5家醫院的3235例COVID-19確診住院患者，其中46%的患者出現AKI癥狀，這其中的20%的患者需要接受透析治療。該研究通過經改進的決策樹機器學習算法，建立了一種用于推斷COVID-19患者是否需要進行透析治療的模型。研究顯示，該模型的AUC達到0.79。此外，該項研究還利用Pyt hon機器學習模型解釋工具SHAP，對各特征值的重要性進行分析。結果表明，肌酐、年齡、血鉀、心率對上述模型結果的影響程度要大于白細胞數量和淋巴細胞數量等其他特征。

在應對COVI D-19疫情對診療工作帶來的巨大挑戰過程中，全球許多國家和地區的研究人員利用AI技術在多個角度開展相關研究，并取得豐碩成果，在緩解突發重大疫情下醫療資源緊張、提升醫療質量和降低病死率等方面帶來新的機遇。相信隨著病例樣本數據量收集范圍的擴大，以及更多研究力量的積極參與，AI技術將在COVI D-19診療過程中更好地發揮輔助作用。