作者 | Ophir Gozes, Maayan Frid-Adar等
譯者 | 劉暢
出品 | AI科技大本營（ID:rgznai100）
新冠病毒的傳播非常迅速，並對數十億人的生活產生了重大影響。由於非對稱胸部CT已被證明是檢測、量化和追蹤該疾病的有效工具，因此可以開發深度學習算法，來幫助分析大量的胸部CT圖像。
目標：開發基於AI的自動CT圖像分析工具，並證明它們可以將冠狀病毒患者與未患該疾病的人區分開。
數據和方法：包括來自中國疾病感染地區的多個國際數據集。本文提出了一種利用2D和3D深度學習模型，修改和調整現有AI模型並將其與臨床理解相結合的系統。
本文進行了多次回顧性實驗，以分析系統在檢測可疑COVID-19胸部CT特徵中的性能，並使用3D視圖來檢查評估每位患者隨時間推移的疾病進展，併產生“冠狀評分”。該研究包括了157名國際患者（中國和美國）的測試集。
結果：胸部CT冠狀病毒與非冠狀病毒的分類結果為0.996 AUC（95％CI：0.989-1.00），這是在中國控制和感染患者的數據集上的結果。實際使用的結果：靈敏度為98.2％，特異性為92.2％。
對於冠狀病毒患者，系統可對較小的不透明物（體積，直徑）進行定量測量，並在基於切片的“熱圖”或3D體積顯示中可視化較大的不透明物。本文提出的“冠狀(Corona)評分”可以衡量疾病隨時間的進展。
總結：這項最初的研究目前正在擴展到更大的人群，證明基於AI的圖像分析可以在檢測冠狀病毒以及量化和跟蹤疾病方面取得高精度的結果。
引言
冠狀病毒感染的迅速傳播，對數十億人生命產生了巨大的影響，根據目前已有數據分析，死亡率在3.4%左右。
人們對當前診斷標準在疾病最初表現時的敏感性提出了質疑。Fang等熱將非對稱胸部CT的敏感性與檢測病毒核酸的逆轉錄聚合酶鏈反應（RT-PCR）進行了比較，它是目前檢測COVID-19的參考標準。他們的研究調查了51名在流行地區有旅行或居住史，發燒或未知原因的急性呼吸道症狀的患者。患者接受了最初的和重複的RT-PCR測試。他們的標準是通過串行RT-PCR測試最終確認的COVID-19感染診斷。
非對稱胸部CT檢測COVID-19感染的敏感性為98％，該論文中顯示了病例的CT特徵是顯示出瀰漫性或焦玻璃混濁。Xie等人和Bernheim等人的研究都表明，胸部CT毛玻璃渾濁形態是該疾病的特徵，尤其是雙側和周圍的合併性肺混濁。研究人員指出，隨著症狀發作時間的延長，疾病的嚴重程度也隨之增加，並且描述了後來的疾病徵兆，包括更大的肺部受損，線性混濁等等。有28％的早期患者，76％的中度患者和88％疾病晚期患者有雙側肺部受損現象。
這些最新研究表明，一旦做出使用胸部CT即可對患者進行診斷或篩查的決定，則需要迅速判斷非常大量的影像學圖像。人工智能技術，尤其是深度學習圖像分析工具，則可以被開發來幫助放射科醫生進行數據的分類，量化和趨勢分析。AI解決方案有可能並行分析多個病例，以檢測胸部CT是否顯示出肺部任何異常。如果該軟件表明明顯增加了疾病的可能性，則可以將該病例標記出來，以供放射科醫生或臨床醫生進行進一步檢查，以進行可能的治療/隔離。
開發深度學習算法通常需要下面幾個階段：一、數據收集階段，其中包括需要從預定義的類別中收集大量數據樣本；需要專家對數據進行註釋；二、訓練階段，其中收集的數據用於訓練網絡模型。每個類別都必須有足夠的代表性。在此訓練階段，將自動生成大量的網絡參數（通常為數百萬個）。三，測試階段，其中將未在訓練中使用的另一組數據提供給網絡，並對網絡的輸出進行統計測試，以確定其是否分類成功。
由於新病毒的樣本數據非常有限，因此，本文的假設是，可以利用修改和調整現有AI模型並將其與臨床理解相結合的來快速開發基於AI的工具。我們的目標是開發基於深度學習的自動CT圖像分析工具，並證明它們可以使冠狀病毒患者與未患疾病的患者區分開，從而為疾病的檢測、量化和跟蹤提供支持。
方法
本文提出的系統具有輸入胸部CT圖像並標記懷疑具有COVID-19病例的功能。此外，對於分類為陽性的病例，系統會輸出肺部異常定位圖和測量值。圖1顯示了開發系統的框圖。
該系統由幾個組件組成，並在兩個不同的級別上分析CT病例：子系統A：使用現有的SOTA算法對結核和焦濁情況的病例體積進行3D分析，而子系統B：對每個切片，用最新開發的2D分析來檢測和定位更大範圍的瀰漫性混濁，包括臨床上已描述為冠狀病毒表現的毛玻璃態。對於子系統A，本文使用商用軟件來檢測3D肺部容積內的結節和小混濁。該軟件是作為肺部病理學檢測解決方案而開發的，可提供定量測量（包括體積測量，軸向測量（RECIST），HU值，鈣化檢測以及固體，亞固體和GG的質構表徵）。由於毛玻璃混濁（GGO）在最近的研究中已經成為COVID-19的關鍵特徵之一，因此作者假設現有軟件可以檢測出病例中較小尺寸的病灶。
在圖2（A）中可以看到一個例子：顯示了兩個冠狀病毒病例，其中混濁現象相對較弱。除了檢測異常外，還提供了測量和定位結果。在每種情況下，該軟件都會檢測單個不透明的焦點，並顯示檢測到的不透明度的圖像及其分割結果。最後，會自動生成並提供病變特徵列表。
由於當前的肺病理學檢測解決方案是專門針對結節檢測任務而構建的，因此不能依靠它們來檢測更多彌散性的混濁結節。因此作者在每個切片的基礎上提出了一種數據驅動的解決方案，如圖1子系統B所示。
在本文的解決方案（B）中，第一步是肺劃分階段：本文使用肺分割模塊提取感興趣的肺區域（ROI），分割步驟使得能夠去除與肺內疾病的檢測無關的圖像部分。在接下來的步驟中，作者專注於檢測冠狀病毒相關的異常：本文使用Resnet-50-2D深度卷積神經網絡，與醫學成像領域一樣，本文進一步微調網絡參數以解決當前的問題，每個切片將病例註釋為正常（n = 1036）與異常（n = 829）。為了克服數量有限的情況，本文采用了數據增強技術（圖像旋轉，水平翻轉和裁剪）。在後續異常檢測步驟中，給定一個新切片，將其分類為陽性，本文提取了“網絡激活圖”，該圖對應於最有助於網絡決策的區域。
圖2（B）顯示了四個分類為異常的COVID-19切片示例結果。頂部是CT圖像。底部是相應的彩色地圖。紅色表示網絡權重最大，而藍色表示最弱。我們注意到，這有力地表明該網絡學習到了與COVID-19表現形式相關的重要特徵。
為了提供完整的案例回顧，我們結合了子系統A-3D分析和子系統B-2D切片級別的輸出。在圖3中，我們看到了一個冠狀病毒病例，並且所提出的系統的合併輸出結果圖也是如此。我們可以看到綠色的結節性和局灶瀰漫性不透明度的檢測，紅色的則是較大的不透明度檢測。這兩個子系統相互補充，並且在某些位置相互增強。
除了可視化之外，系統還會自動提取多個感興趣的輸出，包括每個切片的不透明度（2D）定位以及整個肺部不透明度的3D體積表示。
本文還提出了Corona評分，該評分是對不透明部分的體積度量。它是通過網絡激活圖的體積總和來計算的，該分數對切片厚度和像素間距也具有魯棒性。對於患者疾病的進展監測，作者建議使用相對Corona評分，其中利用第一個時間點計算的評分將Corona評分歸一化。
結果
作者做了一系列實驗來闡明該自動分析工具的性能。
1、分類
作者使用了10%的中國數據集作為測試集，主要測試了對冠狀病毒的檢測和辨別能力。當閾值1.1％（檢測到的陽性切片與肺切片的陽性百分比），可取得98.2％的病例水平敏感性和92.2％的特異性。而閾值為1.9％時，則會有96.4％的靈敏度和98％的特異性。
2、經過一段時間的評估
在作者最後的實驗中，評估了在病毒初次發作（發燒、咳嗽）後1-4天進行了第一次CT掃描的時間點成像的患者。
圖5跟蹤了冠狀病毒患者中特定混濁度隨著時間推移的結果（紅色框）。
圖6顯示了另一例冠狀病毒患者的完整過程，該患者在整個疾病過程中均進行了三次CT掃描。
https://arxiv.org/abs/2003.05037
閱讀更多 CSDN程序人生 的文章
