近日，香港大學(xué)統計與精算學(xué)系系主任尹國圣教授聯(lián)合其他多位學(xué)者發(fā)表一篇最新論文，介紹了一個(gè)最新的新冠肺炎在線(xiàn)診斷系統。據了解，該系統對新冠肺炎診斷的準確率 88%、AUC 值 93%、敏感度 86%、特異度 90%，

　　參與這項研究的人員，還有西南財經(jīng)大學(xué)統計學(xué)院助理教授劉斌博士、研究生高曉雪、何孟霜、劉霖以及劉斌博士的同事呂鳳毛(西南財經(jīng)大學(xué)統計學(xué)院助理教授)。

　　目前，論文正在評審中，但是 COVID-19 診斷系統已經(jīng)在線(xiàn)、免費使用，Python 程序及數據完全開(kāi)源

　　尹國圣教授表示，通過(guò)對非典疫情及各類(lèi)流感病毒的研究，香港大學(xué)一直都走在世界科研的最前沿。2003 年非典期間，深圳和香港的科研人員就曾聯(lián)合宣布，從果子貍等野生動(dòng)物體內找到非典病毒前體。

　　基于生物統計和臨床試驗方向的多年研究經(jīng)驗，從 2020 年 1 月底，尹國圣教授帶領(lǐng)的研究團隊開(kāi)始嘗試一些新冠肺炎方面的研究，基于 CT 圖像診斷是其中一項工作。

　　但是，由于沒(méi)有公開(kāi)的 CT 圖像數據集，團隊需要花大量的時(shí)間去尋找開(kāi)放的樣本并對樣本進(jìn)行標記。

　　后來(lái)，medRxiv 上有一項工作，整理了一些關(guān)于新冠病人 CT 圖像分析的論文預印本。該論文從 medRxiv 和 bioRxiv 文章的預印本中提取了 746 張病人的 CT 圖像，并訓練了一個(gè)新冠病人二分類(lèi)的神經(jīng)網(wǎng)絡(luò )。

　　然而，其結果顯示的預測效果還未能達到臨床標準。

　　尹國圣教授認為，一個(gè)原因是樣本量較小，另一個(gè)重要原因是沒(méi)有充分利用 CT 圖像樣本自身豐富的標注信息。這批 CT 數據跟傳統的醫療圖像數據最大的差別是，每個(gè)樣本都來(lái)自一篇醫學(xué)影像學(xué)論文。

　　在這些文章中，臨床醫生對新冠病人的胸部 CT 病灶特征做了詳細的描述，有些還和其他常見(jiàn)肺部疾病的病灶特征做了仔細的對比分析。

　　因此，在尹教授看來(lái)，“這批數據，雖然樣本數量有限，但信息量極大，是一個(gè)具有代表性，價(jià)值很高的數據集。”

　　研究人員進(jìn)一步對樣本附帶的文本信息進(jìn)行了針對性的研究，發(fā)現 760 篇論文涵蓋了對于新冠肺炎的五種病灶(Lesion)的描述，其中每個(gè)病人 CT 影像上均會(huì )出現其中一種或者多種病灶。通過(guò)對新冠確診病人的 CT 圖像的診斷描述進(jìn)行分析，這五種病灶是影像學(xué)上對新冠肺炎診斷的主要標準。

　　于是，團隊設計出一個(gè)基于 CT 圖像的 Lesion-Attention 深度神經(jīng)網(wǎng)絡(luò )模型(LA-DNN)。

　　模型一方面學(xué)習圖像中可以區分新冠病人和非新冠病人的特征，另一方面把模型的“注意力”集中在病灶區域，即學(xué)習多標簽病灶，這就是團隊提出的 LA-DNN(Lesion-Attention Deep Neural Networks)模型，如同臨床醫生通過(guò) CT 圖像判斷病情時(shí)會(huì )側重關(guān)注異常的病灶區域而略過(guò)正常區域一樣，模型同時(shí)訓練兩個(gè)任務(wù)，相互協(xié)調，從而使得模型性能得到顯著(zhù)的提升，其各項指標均達到了臨床標準。

　　同時(shí)，團隊也采用了遷移學(xué)習，即利用預訓練的 VGG、DenseNet 等神經(jīng)網(wǎng)絡(luò )來(lái)作為模型的骨干網(wǎng)絡(luò )。

　　新冠 CT 圖像診斷系統上線(xiàn)后，團隊仍然在繼續收集新的樣本，在線(xiàn)系統的訓練樣本比最初的樣本數量翻了一倍，并定期重新訓練模型，在線(xiàn)系統的效果比論文中的結果又有提升。

　　對于該成果未來(lái)的應用方向，尹教授表示，希望前線(xiàn)抗擊疫情的醫務(wù)人員使用該系統，分享數據、開(kāi)展合作研究，幫助進(jìn)一步測試和改進(jìn)系統。

　　“目前，中國的疫情得以控制，而其他許多國家和地區仍然存在很大壓力，希望該系統可以在疫情仍然嚴重的區域發(fā)揮作用，減輕核酸檢測的負擔。”
　?。?a href="http://m.lsbmaoyi.com">邯鄲網(wǎng)絡(luò )公司）