新型冠状病毒肺炎（COVID-19）疫情的快速传播为世界公共卫生系统带来巨大挑战。短时间内，大量患者涌入急诊和发热门诊接受诊断和治疗，医疗机构负荷骤然上升。作为COVID-19诊断的重要方法，CT影像和实时荧光RT-PCR检测能力亟待提高。同时，由于缺乏对患者病情走势的判断依据，医护人员对COVID-19急性并发症患者往往难以提前进行干预 。

　　值得关注的是，人工智能（AI）技术的运用有助于应对上述挑战。其基于卷积神经网络（CNN）、机器学习（ML）和深度学习（DL）等技术，通过对海量数据进行训练和学习，使算法模型具有良好的决策判断能力、适应能力和自我完善能力。在COVID-19诊断和治疗过程中，AI技术可以高效辅助医护人员，在缓解医疗资源紧张、减少人为失误、提高诊断质量、预测病情趋势等方面发挥着重要作用。国内外研究人员在该领域积极开展相关研究，以使现有诊疗方法在AI技术的帮助下发挥更大作用。

　　利用胸部CT的AI诊断

　　胸部高分辨率CT（HRCT）是当前筛查COVID-19的首选影像学方法。COVID-19患者早期多发小斑片影，晚期多发双肺磨玻璃影和浸润影。利用AI技术建立模型训练学习上述影像特征，并辅助医师进行阅片，将极大提高阅片效率，有效解决因医师阅片经验不足或能力水平差异导致的阅片质量问题。值得关注的是，为保障COVID-19疫情防控所需，国家药监局医疗器械技术审评中心于2020年3月发布《肺炎CT影像辅助分诊与评估软件审评要点（试行）》，以指导相关产品注册申报。

　　有研究人员设计了一种基于CT影像的COVID-19 AI诊断算法。研究人员收集了325例COVID-19确诊患者的CT影像和740例先前被诊断为典型性肺炎的患者的CT影像，利用CNN技术使其训练学习这些影像的特征，特别是学习新冠肺炎和普通肺炎的影像区别，并采用内部测试数据集验证算法性能。结果显示，曲线下面积（AUC）达0.93，特异性为0.88，灵敏性为0.87，单个病例的诊断时间仅为10秒。

　　还有研究人员使用基于CNN技术且擅长可视化分析的Grad-Cam模型对病灶进行定位分析，将具有不同分辨率的CT平扫图像融合为3D图像后，计算被新型冠状病毒侵入的肺部体积，并提出新型冠状病毒评分（Corona Score）。该评分用于评估病毒在肺部的传播程度，能够为放射科医生提供有价值的建议。研究者利用含270例COVID-19确诊患者CT影像的数据集，对该模型性能进行验证，结果显示，AUC达0.948，敏感性为0.94，特异性为0.98。

　　利用常规临床指征的AI诊断

　　在COVID-19疫情传播初期，由于其症状与流行性感冒以及普通肺炎等其他呼吸系统疾病症状类似，需要排查的疑似病例数量激增。医疗机构，特别是处于欠发达地区和基层的医疗机构的CT造影和核酸检测能力短期内无法满足大量的病患排查需求。通过大数据分析和人工智能算法，研究病例的常规临床身体指征及病情变化，能够为COVID-19患者诊断提供辅助，且对于新型传染病发病早期患者分类分级、提高医疗资源利用效率具有重要意义。

　　有研究人员在COVID-19疫情初期，对医院发热门诊收治的132例具有流行病学意义的COVID-19接触史病例进行研究，将其体温、心率、血常规、咳嗽、肌肉疼痛等指标的门诊记录列入采样特征，采用机器学习算法Lasso递归，建立了无CT检查的疑似病例早期诊断辅助模型。该模型性能验证结果显示，AUC为 0.93，敏感性为1，特异性为0.77。

　　此外，为辅助医疗机构对COVID-19疑似病例进行诊断，有研究人员设计建立了一种基于常规急诊检查指标的COVID-19阳性预测模型。研究人员收集了巴西圣保罗一家医院的235例急诊就诊病例（其中，70%的病例用于算法训练，30%的病例用于算法验证），病例全部接受血常规检查和RT-PCR核酸检测，结果显示，有102例患者的核酸检测结果为阳性。随后，研究人员又选取了年龄、性别、血红细胞数量、红细胞平均血红蛋白浓度、C反应蛋白等17项指标，分别采用5种机器学习算法训练模型进行研究。结果显示，验证性能较好的算法是随机树和支持向量机，这两种算法的AUC均能达到0.85。

　　对患者并发症的AI预测

　　通过回顾性分析COVID-19患者入院时的临床特征发现，重症患者易出现急性呼吸窘迫综合征（ARDS）、心肌损伤、凝血障碍、肾损伤和休克等并发症。通过分析致病因素、患者身体指征、病情发展时间等数据，利用深度学习等AI技术，提前获取病情发展趋势并预测可能出现的并发症，对于病人危重程度预判、医疗资源调配、诊疗方案早期介入，以及降低COVID-19患者死亡率等都非常重要。

　　有研究人员收集了53例COVID-19咽拭子核酸检测阳性确诊病例的数据，设计了一种用于预测COVID-19患者是否患有ARDS的模型。该研究利用机器学习中的特征工程步骤对数据进行预处理，选取用于预测ARDS的具有最小规模和最大贡献值的数据特征集。在数据预处理过程中，采用过滤法确定含有谷丙转氨酶、淋巴细胞数量、肌酐、性别、年龄等11项生化指标的特征集，并将其用于模型训练。结果显示，该模型预测准确度达到80%。相比之下，采用肺部CT手段或通过发烧症状、淋巴细胞减少症等进行判断，都无法准确预测ARDS是否发生。

　　此外，急性肾衰竭（AKI）也是一种危险的COVID-19并发症。有研究人员收集了纽约市5家医院的3235例COVID-19确诊住院患者，其中46%的患者出现AKI症状，这其中的20%的患者需要接受透析治疗。该研究通过经改进的决策树机器学习算法，建立了一种用于推断COVID-19患者是否需要进行透析治疗的模型。研究显示，该模型的AUC达到0.79。此外，该项研究还利用Python机器学习模型解释工具SHAP，对各特征值的重要性进行分析。结果表明，肌酐、年龄、血钾、心率对上述模型结果的影响程度要大于白细胞数量和淋巴细胞数量等其他特征。

　　在应对COVID-19疫情对诊疗工作带来的巨大挑战过程中，全球许多国家和地区的研究人员利用AI技术在多个角度开展相关研究，并取得丰硕成果，在解决突发重大疫情下医疗资源紧张、提升医疗质量和降低患病死亡率等方面带来新的机遇。相信随着病例样本数据量收集范围的扩大，以及更多研究力量的积极参与，AI技术将在COVID-19诊疗过程中发挥更大作用。

　　（作者单位：国家药监局医疗器械技术审评中心）

(责任编辑：谯英固)