类型a
主要作者与研究机构及发表信息
本研究的主要作者包括吴向军（Xiangjun Wu）、惠慧（Hui Hui）、牛萌（Meng Niu）和田捷（Jie Tian），他们分别隶属于中国科学院自动化研究所分子影像重点实验室、中国科学院大学人工智能学院、武汉大学人民医院放射科等机构。该研究于2020年在《European Journal of Radiology》上发表。
学术背景
本研究属于医学影像学与人工智能交叉领域，旨在通过深度学习技术辅助放射科医生快速准确地诊断新型冠状病毒肺炎（COVID-19）。自2019年12月起，COVID-19在中国武汉爆发，并迅速蔓延至全球。传统的实时逆转录聚合酶链反应（RT-PCR）检测虽然是确诊的金标准，但其耗时长且存在较高的假阴性率。相比之下，胸部CT影像在COVID-19的初步筛查中显示出巨大潜力。然而，人工分析CT影像需要放射科医生逐层检查，工作量巨大且效率低下。因此，本研究的目标是开发一种基于多视角融合深度学习模型的诊断工具，以提高诊断效率并减轻放射科医生的工作负担。
研究流程
本研究主要包括以下几个步骤：
数据收集与预处理
研究团队从三家医院（武汉大学人民医院、中国医科大学附属第一医院、北京佑安医院）回顾性收集了495例患者的高分辨率胸部CT影像，其中包括368例经实验室确认的COVID-19患者和127例其他类型的肺炎患者。所有CT影像均经过标准化处理，像素值被映射到0-255范围内，并重建为0.625mm或5mm的切片厚度。对于每组CT影像，研究团队首先使用阈值分割和形态学优化算法提取肺部区域的最大范围，并从中选择轴向、冠状面和矢状面三个视角中具有最大肺区域的切片作为输入数据。最终，495例患者的数据被随机分为训练集（395例）、验证集（50例）和测试集（50例）。
多视角融合深度学习模型架构
研究团队基于ResNet50架构构建了一个多视角融合深度学习模型。与传统单视角模型不同，该模型将轴向、冠状面和矢状面三个视角的CT影像作为输入，而非典型的RGB三通道图像。在训练阶段，研究团队使用随机选择的395例训练集数据对模型进行训练，并利用验证集优化超参数以达到最佳性能。模型输出特征图后，将其拼接并输入全连接密集层，最终输出COVID-19感染的风险值。训练过程中采用RMSprop优化器，学习率为1×10⁻⁵，批量大小为4。
模型实现与性能评估
模型使用Python语言（版本3.6）和Keras框架（版本2.1.6）实现，训练和测试在Titan XP服务器上完成。模型性能指标包括受试者工作特征曲线下面积（AUC）、准确率、敏感性和特异性。为了评估多视角融合模型的性能，研究团队还训练了一个仅使用轴向视角CT影像的单视角模型作为对比。此外，Delong检验用于比较单视角模型和多视角模型的AUC差异，Mann-Whitney U检验和卡方检验用于分析不同医院数据集之间的分布差异。
主要结果
1. 单视角模型与多视角模型的性能对比
单视角模型在训练集、验证集和测试集中的AUC分别为0.767、0.642和0.634，准确率分别为0.686、0.640和0.620，敏感性分别为0.663、0.676和0.622。相比之下，多视角融合模型在训练集中的AUC显著提升至0.905（p < 0.001），准确率和敏感性分别为0.833和0.823。在验证集和测试集中，多视角模型的AUC分别为0.732和0.819，准确率分别为0.700和0.760，敏感性分别为0.730和0.811。这些结果表明，多视角模型在分类性能上优于单视角模型。
亚组分析
研究团队进一步对两家医院（武汉大学人民医院和中国医科大学附属第一医院）的数据进行了性别和年龄亚组分析。结果显示，在年龄≥60岁的组别中，模型在验证集和测试集中的AUC分别为0.983和0.933，而在年龄<60岁的组别中，AUC分别为0.680和0.722。在性别亚组中，女性组的AUC显著高于男性组（0.875 vs 0.143和0.905 vs 0.786）。
可视化结果
研究团队展示了四个代表性病例的CT影像及其诊断结果，包括两名COVID-19患者和两名细菌性肺炎患者。多视角融合模型为这四名患者计算的风险值分别为0.801、0.461、0.946和0.315，模型的临界值设定为0.653。与放射科医生手动分析相比，该模型可在不到五秒内完成初步筛查，显著提高了诊断效率。
结论与价值
本研究表明，基于多视角融合深度学习模型的诊断工具在COVID-19肺炎的初步筛查中表现出巨大潜力。与单视角模型相比，多视角模型能够更全面地利用CT影像信息，从而提高诊断准确性。此外，该模型可显著减轻放射科医生的工作负担，为快速诊断和及时治疗提供了技术支持。
研究亮点
1. 重要发现：多视角融合模型在分类性能上显著优于单视角模型，尤其在敏感性和特异性方面表现突出。
2. 方法创新：研究团队首次将多视角CT影像应用于COVID-19肺炎的深度学习诊断模型，避免了传统方法中逐层分析的繁琐过程。
3. 应用价值：该模型不仅适用于COVID-19的初步筛查，还可扩展至其他肺部疾病的诊断中，具有广泛的临床应用前景。
其他有价值内容
研究团队指出，未来的研究应收集更大规模、多中心、前瞻性数据集以进一步验证和优化模型性能。同时，结合CT影像与其他临床信息（如流行病学数据、核酸检测结果等）可能进一步提高诊断准确性。