6篇論文帶你了解AI+新冠肺炎最新研究進展
作者&編輯：李中梁
前言
目前新冠肺炎在國內(nèi)已經(jīng)得到了控制，而在國外還在蔓延。在今年2月份，關于新冠肺炎的病例分析，傳染性以及防疫預測相關的醫(yī)學論文見諸版面。3月至今，以“COVID-19”為關鍵詞在論文預印網(wǎng)站arxiv上搜索，可以得到73個搜索結果。本文將解讀6篇用機器學習/深度模型來對COVID-19篩查，分類，預測，防疫，診斷的研究，供大家參考。
論文解讀
論文1
《Lung Infection Quantification of COVID-19 in CT Images with Deep Learning》
研究機構：復旦大學上海中心醫(yī)院放射科，上海大學等摘要：CT對COVID-19感染的診斷、評估和分期至關重要。對于疾病進展，通常建議每3-5天進行一次隨訪掃描。據(jù)報道，雙側和周邊磨砂玻璃混濁(GGO)合并或不合并是COVID-19患者的主要CT表現(xiàn)。然而，由于缺乏計算機量化工具，目前在放射學報告中僅使用定性印象和對感染區(qū)域的粗略描述。本文提出了一種基于深度學習(DL)的肺組織分割系統(tǒng)，該系統(tǒng)可以自動量化感興趣的感染區(qū)域(ROIs)及其容積率。通過對300例covid19患者進行300次胸部CT掃描，將自動分割的感染區(qū)域與人工劃分的感染區(qū)域進行對比，評價系統(tǒng)的性能。為了快速人工圈定訓練樣本和可能的人工干預自動結果，采用了人在環(huán)(human-in-the-loop, HITL)策略來協(xié)助放射源醫(yī)師對感染區(qū)域進行分割，在3次模型更新后，將總分割時間大大縮短至4分鐘。結果顯示，全肺平均simiarility系數(shù)為91.6%，自動失活與人工失活的符合率為91.6%，感染百分率的平均估計誤差(POI)為0.3%。最后，可能的應用，包括但不限于分析后續(xù)CT掃描和感染分布的葉和節(jié)段相關的臨床表現(xiàn)，進行了討論。
數(shù)據(jù)：訓練集包含249個 COVID-19 病例, 驗證集包含300 個 COVID-19 病例。結論：針對COVID-19患者，開發(fā)了一基于深度學習的CT肺部感染區(qū)域自動分割系統(tǒng)，使用dice（平均達到91.6% ）和POI評價模型，訓練的卷積神經(jīng)網(wǎng)絡”VB-Net”（整體結構類Unet）有助于臨床診斷，提高診斷效率。
論文地址：https://arxiv.org/abs/2003.04655v2
論文2
《Rapid AI Development Cycle for the Coronavirus (COVID-19)Pandemic: ?Initial Results for Automated Detection & Patient Monitoring using Deep Learning CT Image Analysis》
科研機構：RADLogics，溫州醫(yī)科大學臺州醫(yī)院，Assistant 醫(yī)院，馬里蘭醫(yī)科大學摘要：目的:開發(fā)基于人工智能的CT圖像自動分析工具，用于冠狀病毒的檢測、定量和跟蹤;證明他們可以區(qū)分冠狀病毒患者和非患者。材料和方法:包括來自中國疫區(qū)的多個國際數(shù)據(jù)集。我們提出了一個系統(tǒng)，利用穩(wěn)健的二維和三維深度學習模型，修改和適應現(xiàn)有的人工智能模型，并將它們與臨床理解相結合。我們進行了多個回顧性實驗，分析該系統(tǒng)在檢測疑似covid19胸部CT特征方面的性能，并使用3D容積檢查評估每個患者疾病隨時間的演變，生成冠狀動脈評分。該研究包括一組157名國際患者(中國和美國)的測試。結果:在中國控制和感染患者的數(shù)據(jù)集上，冠狀病毒與非冠狀病毒的胸部CT分類結果為0.996 AUC (95%CI: 0.989-1.00)，98.2%的敏感性，92.2%的特異性。對于冠狀病毒患者的時間分析，系統(tǒng)輸出能夠定量測量較小的混濁度(體積、直徑)，并在基于切片的熱圖或三維體積顯示中顯示較大的混濁度。我們建議的Corona score可以衡量疾病隨時間的進展。結論:這項初步研究目前正在向更大的人群推廣，表明快速發(fā)展的基于人工智能的圖像分析可以在檢測冠狀病毒以及疾病負擔的定量和跟蹤方面達到較高的準確性。
數(shù)據(jù)：多個國際數(shù)據(jù)集
結論：冠狀病毒與非冠狀病毒的分類結果0.996 AUC(95%CI: 0.989-1.00) ，靈敏性98.2%，特異性92.2%.可視化病灶，同時對病例的進展進行追蹤。
論文地址：https://arxiv.org/abs/2003.05037v1
論文3
《Abnormal respiratory patterns classifier may contribute to large-scale screening of people infected with COVID-19 in an accurate and unobtrusive manner》
科研機構：華東師范大學，瑞爾森大學等
這個研究的的出發(fā)點很新穎，由于新冠肺炎患者的呼吸模式會與比正常人更加急促，通過使用裝置來（深度攝像機Kinect v2）收集呼吸模式
在醫(yī)療上，無接觸診斷可以幫助到醫(yī)生減少被感染的風險，這是這個研究的一個積極意義。同時在大規(guī)模篩查時可以做到高效率。摘要：研究意義:在疫情防控期間，我們的研究對基于呼吸特征的COVID-19(新型冠狀病毒)感染患者的預后、診斷和篩查有一定的幫助。根據(jù)最新的臨床研究，COVID-19的呼吸模式不同于流感和普通感冒的呼吸模式。COVID-19出現(xiàn)的一個重要癥狀是呼吸急促。感染了COVID-19的人呼吸速度更快。我們的研究可以用來區(qū)分不同的呼吸模式，我們的裝置可以初步投入實際使用。這個方法的演示視頻可以在一個主題和兩個主題的情況下工作，可以在網(wǎng)上下載。研究內(nèi)容:準確、遠程、不唐突地檢測人的呼吸模式異常具有重要意義。在這項工作中，我們創(chuàng)新性地利用深度相機和深度學習來實現(xiàn)這一目標。這項任務的挑戰(zhàn)是雙重的:真實世界的數(shù)據(jù)量不足以訓練出深入的模型;不同類型呼吸模式的類內(nèi)變異較大，類外變異較小。本文針對實際呼吸信號的特點，首次提出了一種新穎高效的呼吸仿真模型(RSM)，以彌補訓練數(shù)據(jù)量大、真實數(shù)據(jù)量少的不足。隨后，我們首先應用具有雙向和注意力機制的GRU神經(jīng)網(wǎng)絡(BI-AT-GRU)來分類6種臨床顯著的呼吸模式(呼吸暫停、呼吸過速、呼吸過慢、生物呼吸、Cheyne-Stokes和中央呼吸暫停)。所提出的深度模型和建模思想有很大的發(fā)展?jié)摿Γ梢酝茝V到公共場所、睡眠場景、辦公環(huán)境等大規(guī)模應用領域。
數(shù)據(jù)：通過呼吸模擬系統(tǒng)來生成模擬數(shù)據(jù)，使用深度攝像機來收集真實數(shù)據(jù)，測試數(shù)據(jù)有120,000例，包含6種呼吸模式結論：BI-AT-GRU效果最好，有助于肺病的大規(guī)模篩查。
論文地址：https://arxiv.org/abs/2002.05534v1
論文4
《Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia》
科研機構：浙江大學第一附屬醫(yī)院，溫州中心醫(yī)院等
對新冠肺炎，流感A和健康樣本進行3分類訓練，建立的早期診斷模型用于新冠肺炎篩查。實驗中采用了分割，基于patch分類等策略。摘要：我們發(fā)現(xiàn)實時逆轉錄聚合酶鏈反應(RT-PCR)檢測痰液或鼻咽癌拭子中病毒RNA的早期陽性率較低，可用于檢測covid19(世界衛(wèi)生組織命名)。COVID-19的CT表現(xiàn)有其自身的特點，不同于其他類型的病毒性肺炎，如流感- a型病毒性肺炎。因此，臨床醫(yī)生呼吁盡快制定另一種對這種新型肺炎的早期診斷標準。本研究的目的是建立一個早期篩查模型，使用深度學習技術區(qū)分COVID-19肺炎與流感- a病毒性肺炎以及肺部CT圖像的健康病例。首先利用肺部CT圖像集的三維深度學習模型對候選感染區(qū)域進行分割，將分割后的圖像分為COVID-19、flu -a - viral pneumonia和與感染組無關的圖像，并使用定位-注意分類模型進行相應的置信度評分。最后用噪聲-貝葉斯函數(shù)計算該CT病例的感染類型和總置信度?；鶞蕯?shù)據(jù)集的實驗結果表明，從CT病例整體來看，整體準確率為86.7%。本研究建立的深度學習模型對COVID-19患者的早期篩查是有效的，是臨床一線醫(yī)生的一種很有前途的輔助診斷方法。
數(shù)據(jù)：共618張CT，219張CT來自110個COVID-19病人，224張CT來自224個流感A病人，175張CT來自健康樣本。結論：三分類準確率為86.7%
論文地址：https://arxiv.org/abs/2002.09334
論文5
《A machine learning-based model for survival prediction in patients with severe COVID-19 infection》（v3）
《Prediction of criticality in patients with severe Covid-19 infection using three clinical features: a machine learning-based prognostic model with clinical data in Wuhan》（v2）
科研機構：華中科大，同濟醫(yī)院，
這篇論文在medrxiv上有3個版本且標題不同，我以2020.3.17的最近版本為主。
以機器學習模型XGBoost 為基礎，使用了三個醫(yī)學特征：LDH, lymphocytes and hs-CRP。
.摘要：COVID-19病例的突然增加給全世界的衛(wèi)生保健服務帶來了巨大的壓力。在目前階段，快速、準確和早期的疾病嚴重程度的臨床評估是至關重要的。為了支持衛(wèi)生保健系統(tǒng)的決策和后勤規(guī)劃，本研究利用中國武漢地區(qū)404名感染患者的血液樣本數(shù)據(jù)庫，以確定疾病嚴重程度的關鍵預測生物標志物。為此，機器學習工具選擇了三種生物標志物來預測單個患者的存活率，準確率超過90%:乳酸脫氫酶(LDH)、淋巴細胞和高敏感性c反應蛋白(hs-CRP)。特別是，相對高水平的LDH似乎在區(qū)分需要立即就醫(yī)的絕大多數(shù)病例中發(fā)揮了關鍵作用。這一發(fā)現(xiàn)與當前醫(yī)學知識一致，即高LDH水平與各種疾病的組織破壞有關，包括肺炎等肺部疾病?？傊?，這篇論文提出了一個簡單可行的公式來快速預測高?；颊?，使他們得到優(yōu)先考慮，并有可能降低死亡率。數(shù)據(jù)：404個病例
結論：這篇論文提出了一個簡單可行的公式來快速預測高?；颊?，使他們得到優(yōu)先考慮，并有可能降低死亡率。
論文地址：https://www.medrxiv.org/content/10.1101/2020.02.27.20028027v3
論文6
《Artificial Intelligence Distinguishes COVID-19 from Community Acquired Pneumonia on Chest CT》
科研機構：武漢黃陂人民醫(yī)院，江漢大學附屬醫(yī)院，武漢肺病醫(yī)院，深圳醫(yī)學重點實驗室等。
該研究期望研制一種胸部CT全自動COVID-19檢測系統(tǒng)，并對其性能進行評價。已經(jīng)發(fā)表在放射學頂級雜志《Radiology》上。摘要：自2020年初以來，冠狀病毒病在全球范圍內(nèi)廣泛傳播。開發(fā)基于胸部CT自動準確檢測COVID-19的方法是迫切需要的。
數(shù)據(jù)：收集的數(shù)據(jù)包括4356例胸部CT檢查，來自3322名患者。平均年齡為49±15歲，男性略多于女性(1838 vs 1484;假定值= 0.29)。這些數(shù)據(jù)收集自2016年8月至2020年2月期間的6家醫(yī)院。結論：開發(fā)的深度學習模型（COVNet）可以準確地檢測COVID-19并將其與社區(qū)獲得性肺炎等肺部疾病區(qū)分開來。獨立檢測組檢測COVID-19的每次檢查敏感性和特異性分別為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為0.96 (p-value<0.001)。獨立測試集檢測CAP的每次考試敏感性和特異性分別為87%(152(175)和92% (239 (259))，AUC為0.95 (95% CI: 0.93, 0.97)。
論文地址：https://pubs.rsna.org/doi/10.1148/radiol.2020200905
總結
圍繞COVID-19進行篩查，預測任務的研究已有一些，主要是圍繞CT圖像使用深度學習模型進行特征提取和分類，也有基于病理學原理建立的機器學習模型，同時還有從其他角度使用無接觸方法進行COVID篩查。目前這些研究已有初步成果，各位有志之士可以參考這些工作，進一步分析研究，在祖國大地上做好科研！
倉促成文，不當之處，還望指正。
與我交流
github：?https://github.com/keloli
blog：? ? https://www.jianshu.com/u/d055ee434e59
往期回顧之作者李中梁
【1】【TPAMI重磅綜述】 SIFT與CNN的碰撞：萬字長文回顧圖像檢索任務十年探索歷程（上篇）
【2】【TPAMI重磅綜述】 SIFT與CNN的碰撞：萬字長文回顧圖像檢索任務十年探索歷程（下篇）
【5】Dropout VS BN: 別在你的網(wǎng)絡中使用Dropout
【6】理解Batch Normalization（含實現(xiàn)代碼）
【7】Keras使用進階（Ⅰ）
【8】Python編程神器Jupyter Notebook使用的28個秘訣
機器學習算法工程師
? ? ??? ? ? ? ? ? ? ? ? ? ? 一個用心的公眾號
長按，識別，加關注
進群，學習，得幫助
你的關注，我們的熱度，
我們一定給你學習最大的幫助