9月23日，一篇基于深度學習模型對新冠肺炎（COVID-19）診療的大規(guī)模、多中心回顧性研究在全球頂級醫(yī)學期刊《柳葉刀》旗下新刊The Lancet Digital Health發(fā)表。該論文從新冠肺炎診斷、臨床分診效率、病情監(jiān)控、輕癥及無癥狀感染者等多個角度系統(tǒng)研究了深度學習模型的價值和作用，由華中科技大學同濟醫(yī)學院附屬同濟醫(yī)院（簡稱武漢同濟醫(yī)院）、武漢科技大學附屬天佑醫(yī)院、咸寧市中心醫(yī)院、中南大學湘雅二醫(yī)院、國家感染性疾病臨床研究中心（深圳市第三人民醫(yī)院）等國內多家知名醫(yī)院與北京推想科技有限公司（簡稱推想科技）聯(lián)合完成，武漢同濟醫(yī)院、湘雅二醫(yī)院、推想科技為共同第一作者，武漢同濟醫(yī)院院長王偉為通訊作者。
本研究提出了一種基于CT影像分診疑似新冠肺炎患者，并可以自動定量分析確診患者病灶的深度學習模型。研究團隊在不同發(fā)病率地區(qū)的多家醫(yī)院連續(xù)收集真實臨床數(shù)據(jù)，組成外部驗證集來驗證模型的分診效率和準確率；研究團隊還收集了100套RT-PCR確診病人的CT前后片，用以驗證模型病灶分析的性能。
研究團隊首先收集了2447例胸部CT影像（1647例為RT-PCR確診陽性，800例為RT-PCR確診陰性）用于模型訓練，639例胸部CT影像（439例為RT-PCR確診陽性，200例為RT-PCR確診陰性）用于模型內部驗證。模型在內部驗證集上的AUC，靈敏度和特異度分別為0.985 (95% CI 0.982–0.989)，0.973 (0.966–0.980)，和0.850 (0.827–0.875)。
其次，研究團隊分別從武漢科技大學附屬天佑醫(yī)院（武漢，發(fā)病率約0.566%），咸寧市中心醫(yī)院（咸寧，發(fā)病率約0.034%）和中南大學湘雅二醫(yī)院（長沙，發(fā)病率約0.003%）連續(xù)收集了1097，820和203套發(fā)熱門診患者的胸部CT影像作為外部驗證集。以患者CT影像報告為參考標準，模型的AUC，靈敏度，特異度，PPV和NPV分別為0.953 (0.949–0.959)，0.923 ( 0.914–0.932)，0.851 (0.842–0.860)，0.790 (0.777–0.803),和0.948 (0.941–0.954)。
此外，研究團隊還模擬將AI應用于臨床流程中，以探究其分診效率。模型直接將影像學結果提示給高年資醫(yī)師或臨床醫(yī)師可顯著縮短得出陽性患者影像學報告所需時間（p<0.0001）。模型將結果報告給高年資醫(yī)師和臨床醫(yī)師可減少的時間中位數(shù)和四分位距分別為15.73（11.05-25.25）和22.62（15.12-38.63）分鐘。
為驗證模型針對輕癥乃至無癥狀患者的表現(xiàn)，研究團隊額外收集了761例來自方艙的輕癥或無癥狀患者的胸部CT影像，其中618（81%）位患者有新冠相關的影像學表現(xiàn)，模型的靈敏度為0.886 (0.873–0.898)。研究還收集了686例疫情爆發(fā)前天佑醫(yī)院和深圳市第三人民醫(yī)院的胸部CT影像用以驗證模型在非新冠混淆病例上的表現(xiàn)，模型的特異度為0.822 (0.808-0.836)。
該研究收集了多個來自真實臨床場景的數(shù)據(jù)集用以驗證模型在新冠肺炎疑似患者分診和病灶分析方面的表現(xiàn)，是國內鮮有的基于深度學習模型的COVID-19大規(guī)模、多中心臨床研究。研究結果顯示，模型具有較好的魯棒性，在多個數(shù)據(jù)集中表現(xiàn)穩(wěn)定。此外，研究團隊將深度學習模型融入傳統(tǒng)臨床流程以加速疑似患者的分診，其自動病灶分析功能對新冠肺炎患者的病情監(jiān)控和管理均具有重要意義。
自新冠肺炎疫情爆發(fā)以來，推想科技不但在第一時間推出人工智能產品輔助新冠肺炎的篩查與監(jiān)測，更是與國內多家醫(yī)院展開深度科研合作并產出優(yōu)質成果。面對未知的病毒，面對第六次國際公共衛(wèi)生緊急事件和全球大流行，只有深入的科學研究才能幫助人類了解它并戰(zhàn)勝它。截至目前，推想科技與合作醫(yī)院已經(jīng)發(fā)表了十余篇關于新冠肺炎的頗具影響力的科研成果，不乏全球頂級醫(yī)學期刊JAMA及其子刊JAMA Network Open、醫(yī)學影像頂級期刊Radiology新刊等等。未來，推想科技將繼續(xù)站在AI醫(yī)學科研的最前沿，與疾病戰(zhàn)斗，與未知戰(zhàn)斗。
