Clinically Applicable AI System for Accurate Diagnosis, Quantitative Measurements...论文总结
Clinically Applicable AI System for Accurate Diagnosis, Quantitative Measurements, and Prognosis of COVID-19 Pneumonia Using Computed Tomography
要解决的问题：
季节性流感也会引起病毒性肺炎，将NCP
（新冠肺炎）
与普通流感或其他类型的肺炎（比如病毒性肺炎和 细菌
性肺炎）区分开具有重要意义。
普通的核算检测只能确定是否是NCP，但在前期，快速和低成本的确定病灶大小和肺部受累程度，仍具有重要意义。
在降低成本情况下，如何快速的定性分析NCP与OVP（其他病毒性肺炎）差异
对比危重等级，如何快速定量的测量治疗过程中，治愈前后的
分割肺病灶变化程度
贡献：
1.制定了一个综合评分系统，可对NCP危重病变进行精准预测（这个预测结果对后期的治疗具有重要价值，尤其对用药后的病程对比，进而指导临床用药）
2.也提出一种新的预防建议，即除了改善肺功能外，还可通过保护其他重要器官和稳定系统回圈特性来预防进展为危重疾病。
3.加快诊断效率，节省患者等待时间
4.该项技术推进了精准医疗、智慧医疗和纵向随访的发展步伐。
方法：
整个新冠肺炎诊断系统包括2步：
1.基于语义分割的“肺部病灶”模型，
2.诊断分析模型
输入病人的CT图像(50-200切片)
Segmentation
model: train_data：4695 segmented slices（NCP：2879，普通肺炎：1816）
首先down sample: input img from 512 to 128 ，
并且分割肺部区域（包括病变区域），
然后用分割的肺部区域计算边界框，略大于肺部分割区域（
包含所有具有病理特征的关键信息
）。
之后，以确定的边界框来从原始图像中crop 一些关键区域， and resize to 256*256大小，作为语义分割的输入。
第二阶段采用一系列经典的语义分段模型来进行广泛的实验，包括U-net，DRUNET，FCN，SegNet和DeepLabv3。
为了解决
注释标签的高度不平衡（肺部占据了大部分标签）问题，
使用像素级加权二进制交叉熵和dice loss作为最终的损失函数来进行优化。
最后将第二阶段分割的结果转移到原始输入图像的坐标上，以形成最终的分割 mask。
Classification model: 361221 CT images 来自于2246个病人（752NCP；797 普通肺炎；697 常人）
将分割后的CT slices 堆叠成一 volume，crop 这个volume中的肺部区域（64*128*128），然后将其标准化为像素级的 one-hot 形式（自我理解mask=1,
back
ground=0,
标注了6个区域和背景，加以区分NCP和普通肺炎：Lung field, CL, GGO, pulmonary fibrosis, interstitial thickening，pleural effusion，background
），然后得到一个 7*64*128*128尺寸的tensor，作为3D 分类网络的输入，最终输出3类 NCP， CP， 正常。
这里的分类网络是：3D ResNet-18
对于NCP的预后和危险因素分析：
将“严重/危重疾病”标记为NCP患者预后的终点，
CT病变特征（体积特征）和临床数据特征，用于决策树算法（GBDT）的分类预测特征。
SHAP方法来显示相关危险因素对危重病预后的影响，
可以有效地计算局部解释和全局解释。（一些特征对最后结果的影响）
实验：
选取了三个地点：武汉、合肥、广州 ；厄瓜多尔，进行AI System 的测试
91.20% ac- curacy, 94.03% sensitivity, 88.46% specificity
90.32% accuracy, 94.74% sensitivity, 89.19% speci- ficity
84.78% accuracy, 90.00% sensitivity, 84.15% specificity
84.11% accuracy, 86.67% sensitivity, 82.26% specificity
