自2019年12月以來，新型冠狀病毒肺炎（COVID-19）疫情席卷全球，根據世界衛(wèi)生組織WHO的統(tǒng)計數據，已經造成超過2500萬人確診，死亡人數超過80萬人[1]，疫情的快速傳播為世界公共衛(wèi)生系統(tǒng)帶來巨大挑戰(zhàn)。短時間內大量病人涌入急診和發(fā)熱門診等待診斷和治療，醫(yī)療機構負荷驟然提升。作為COVID-19診斷的重要方法[2]，CT影像和實時熒光PT-PCR核酸檢測能力在疫情早期嚴重不足。由于缺乏對患者病情走勢的判斷，對COVID-19急性并發(fā)癥也難以提前準備和干預 。
??人工智能（Artificial Intelligence，AI）技術以其獨特優(yōu)勢可以幫助應對這些挑戰(zhàn)。AI技術基于卷積神經網絡（Convolutional Neural Network，CNN）、機器學習（Machine Learning，ML）和深度學習（Deep Learning，DL）等技術，通過對海量數據的訓練和學習，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的能力[3]。在疫情診斷和治療過程中，AI技術可以高效輔助醫(yī)療機構和醫(yī)護人員，在緩解醫(yī)生資源緊張、減少人為失誤、提升診斷質量、預測病情趨勢等方面發(fā)揮重要作用。COVID-19疫情激發(fā)各國研究人員進行多項研究，目的是讓現有診療方法在AI技術的幫助下發(fā)揮出更大作用。
??一、利用胸部CT的AI診斷
??胸部高分辨率CT（High resolution CT，HRCT）為當前篩查COVID-19的首選影像學方法[4、5]，患者早期多發(fā)小斑片影，晚期多發(fā)雙肺磨玻璃影和浸潤影[2]。用AI技術建立模型訓練學習這些影像特征并輔助醫(yī)生進行閱片，將極大提高閱片效率，緩解醫(yī)生閱片經驗不足和能力水平差異帶來的閱片質量問題。為應對新冠病毒疫情，目前國家藥監(jiān)局醫(yī)療器械技術審評中心已經制定了《肺炎CT影像輔助分診與評估軟件審評要點（試行）》，指導相關產品注冊申報。
??Wang等[6]?設計了一個基于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CT影像和740例先前被診斷為典型性肺炎的CT影像，使用CNN技術訓練學習這些影像的特征，特別是學習區(qū)分新冠肺炎和普通肺炎的影像區(qū)別，采用內部測試數據集驗證算法性能，曲線下面積（Area Under Curve，AUC）達到0.93，特異性為0.88，靈敏性為0.87，單個病例的診斷時間為10秒。Gozes等[7]使用基于CNN技術且擅長可視化分析的Grad-Cam模型[8]用于病灶的定位分析，將不同分辨率的CT平掃圖像融合為3D圖像后計算被COVID-19侵入的肺部體積，提出冠狀病毒評分（Corona Score）用于評估病毒在肺部的傳播程度，為放射科醫(yī)生提供有價值的建議。經過270例含有COVID-19確診患者圖像的數據集驗證，其AUC達到0.948，敏感性為94%，特異性為98%。
??二、利用常規(guī)臨床指征的AI診斷
??疫情傳播初期，由于COVID-19癥狀與流行性感冒以及普通肺炎等其他呼吸系統(tǒng)疾病癥狀類似，需要排查的疑似病例數量激增，而醫(yī)療機構特別是欠發(fā)達地區(qū)和基層的醫(yī)療機構，其CT造影和核酸檢測能力短期無法滿足大量等待排查的病患，供需矛盾加劇了有限醫(yī)療資源的透支程度。通過大數據分析和人工智能算法，研究病例的常規(guī)臨床身體指征及病情變化，并用于輔助診斷新冠患者，對于新型傳染病發(fā)病早期的患者分類分級，提高醫(yī)療資源利用效率具有一定意義。
??Feng等[9]研究了疫情初期醫(yī)院發(fā)熱門診收治的132例具有流行病學意義的COVID-19接觸史病例，將體溫、心率、血常規(guī)、咳嗽、肌肉疼痛等門診記錄列入采樣特征，采用機器學習算法Lasso遞歸，根據“新型冠狀病毒診療方案（第六版）”中疑似病例的定義，建立了無CT檢查下的疑似病例早期診斷輔助模型。該模型在性能驗證中得到AUC為 0.93，敏感性為1，特異性為0.77。為研究核酸檢測資源有限條件下輔助醫(yī)療機構進行COVID-19疑似病例的診斷，Batista[10]等建立了一種利用常規(guī)急診檢查指標設計的COVID-19陽性預測模型，研究人員收集了巴西圣保羅一家醫(yī)院235例急診就診病例（其中70%病例用于算法訓練，30%病例用于算法驗證），全部接受血常規(guī)檢查和PT-PCR核酸檢測，其中102例核酸檢測確診為陽性。研究人員選取除PT-PCR核酸檢測以外的年齡、性別、血紅細胞數量、紅細胞平均血紅細胞濃度、C反應蛋白等17項特征，分別采用5種機器學習算法訓練模型，驗證性能最佳的算法是隨機樹（Random Tree）和支持向量機（Support Vector Machine），兩種算法的AUC均能達到0.85。
??三、對患者并發(fā)癥的AI預測
??回顧性分析COVID-19患者入院時的臨床特征，顯示重癥患者易出現急性呼吸綜合征（ARDS）、心肌損傷、凝血障礙、腎損傷和休克等并發(fā)癥[11]，通過分析致病因素、患者身體指征、病情發(fā)展時間等數據，利用深度學習等AI技術，提前獲取病情發(fā)展趨勢并預測可能出現的并發(fā)癥，對于病人危重程度預判、醫(yī)療資源調配、診療方案早期介入、以至于降低COVID-19患病死亡率等方面具有重要意義。
??Jiang等[12]收集了53例COVID-19咽拭子核酸檢測陽性確診病例數據，設計了一個預測COVID-19患者患ARDS的模型。該研究利用機器學習中的特征工程（Feature Engineering）步驟進行數據預處理，選取出對預測ARDS最小規(guī)模和最大貢獻值的數據特征集。在數據預處理過程中采用過濾法（Filter）確定出含有谷丙轉氨酶、淋巴細胞數量、肌酐、性別、年齡等11項生化指標的特征集并用于模型訓練。該模型的預測準確性達到80%。相比之下，肺部CT、發(fā)燒癥狀、淋巴細胞減少癥等都無法預測ARDS的發(fā)生[13]。COVID-19另外一個危險的并發(fā)癥是急性腎衰竭（Acute Kidney Injury，AKI），Chan等[14]研究了紐約市5家醫(yī)院的3235例被確診為COVID-19的住院患者，46%的患者出現了AKI癥狀，而其中的20%需要接受透析治療。該研究通過改進的決策樹機器學習算法，制定出一個模型來推斷哪些COVID-19患者將需要進行透析治療。該工具的AUC性能達到了0.79。該項研究通過Python的機器學習模型解釋工具SHAP（SHapley Additive exPlanation）分析模型各特征值的重要性，得出肌酐、年齡、血鉀以及心率對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。
??四、小結
??在應對COVID-19對診療工作帶來的巨大挑戰(zhàn)過程中，世界多個國家研究人員紛紛利用人工智能技術開展了多個角度的研究并取得了豐碩的成果，為解決突發(fā)重大疫情下的醫(yī)療資源緊張、提升醫(yī)療質量和降低患病死亡率等問題帶來了新的機遇。隨著病例樣本數據量的擴大和更多研究力量的參與，AI將在COVID-19診療過程中發(fā)揮更大作用。
參考文獻：
[1] World Health Organization. Coronavirus disease (COVID-19) Weekly Epidemiological Update and Weekly Operational Update,[EB/OL].(2020-8-30)[2020-09-04].https://www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reports.
[2] 國家衛(wèi)生健康委員會.《新型冠狀病毒肺炎診療方案(試行第七版)》[J].實用中醫(yī)內科雜志,2020,34(3):3.
[3] Winston, PatrickHenry. Artificial intelligence / 3rd ed[M]. Addison-Wesley Publishing Company,1993.
[4] 李宏軍.新型冠狀病毒肺炎影像學輔助診斷指南[J].中國醫(yī)學影像技術,2020,36(03):321-331.
[5] Ye Z, Zhang Y, Wang Y, et al. Chest CT manifestations of new coronavirus disease 2019 (COVID-19): a pictorial review[J]. European Radiology, 2020: 1-9.
[6] Wang S, Kang B, Ma J, et al. A deep learning algorithm using CT images to screen for Corona Virus Disease (COVID-19)[J]. medRxiv, 2020.
[7] Gozes O , Frid-Adar M , Sagie N , et al. Coronavirus Detection and Analysis on Chest CT with Deep Learning[J]. arXiv, 2020.
[8] Selvaraju R R , Cogswell M , Das A , et al. Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization[J]. International Journal of Computer Vision, 2019, 128(8).
[9] Feng C, Huang Z, Wang L, et al. A Novel Triage Tool of Artificial Intelligence Assisted Diagnosis Aid System for Suspected COVID-19 pneumonia In Fever Clinics[J]. medRxiv, 2020.
[10] Batista A F M, Miraglia J L, Donato T H R, et al. COVID-19 diagnosis prediction in emergency care patients: a machine learning approach[J]. medRxiv, 2020.
[11] 熊維,王海蓉,吳曉燕,等.新型冠狀病毒肺炎患者入院時臨床特征及致死亡危險因素分析[J/OL].武漢大學學報(醫(yī)學版):1-4(2020-08-27)[2020-09-04].https://doi.org/10.14188/j.1671-8852.2020.0537.
[12] Jiang X, Coffee M, Bari A, et al. Towards an artificial intelligence framework for data-driven prediction of coronavirus clinical severity[J]. CMC: Computers, Materials & Continua, 2020, 63: 537-541.
[13] Wang D, Hu B, Hu C, et al. Clinical characteristics of 138 hospitalized patients with 2019 novel coronavirus–infected pneumonia in Wuhan, China[J]. Jama, 2020, 323(11): 1061-1069.
[14] Gameiro J, Fonseca J A, Oliveira J, et al. Acute kidney injury in hospitalized patients with COVID-19[J]. medRxiv, 2020.