[论文解读] Rapid AI Development Cycle for the Coronavirus (COVID-19) Pandemic: Initial Results for Automated Detection & Patient Monitoring using Deep Learning CT Image Analysis

Ophir Gozes, Maayan Frid-Adar+6 more|arXiv (Cornell University)|Mar 10, 2020

COVID-19 diagnosis using AI参考文献 9被引用 672

一句话总结

本研究提出了一种快速开发的深度学习系统，用于通过非增强胸部CT扫描实现对COVID-19的自动化检测与监测。该模型在区分COVID-19与非COVID-1病例方面实现了0.996 AUC（98.2%敏感度，92.2%特异度），并提供定量的密度影测量值以及用于追踪疾病进展的动态“Corona评分”。

ABSTRACT

Purpose: Develop AI-based automated CT image analysis tools for detection, quantification, and tracking of Coronavirus; demonstrate they can differentiate coronavirus patients from non-patients. Materials and Methods: Multiple international datasets, including from Chinese disease-infected areas were included. We present a system that utilizes robust 2D and 3D deep learning models, modifying and adapting existing AI models and combining them with clinical understanding. We conducted multiple retrospective experiments to analyze the performance of the system in the detection of suspected COVID-19 thoracic CT features and to evaluate evolution of the disease in each patient over time using a 3D volume review, generating a Corona score. The study includes a testing set of 157 international patients (China and U.S). Results: Classification results for Coronavirus vs Non-coronavirus cases per thoracic CT studies were 0.996 AUC (95%CI: 0.989-1.00) ; on datasets of Chinese control and infected patients. Possible working point: 98.2% sensitivity, 92.2% specificity. For time analysis of Coronavirus patients, the system output enables quantitative measurements for smaller opacities (volume, diameter) and visualization of the larger opacities in a slice-based heat map or a 3D volume display. Our suggested Corona score measures the progression of disease over time. Conclusion: This initial study, which is currently being expanded to a larger population, demonstrated that rapidly developed AI-based image analysis can achieve high accuracy in detection of Coronavirus as well as quantification and tracking of disease burden.

研究动机与目标

• 开发一种基于人工智能的系统，用于在胸部CT扫描中自动检测COVID-19。
• 实现对感染患者疾病负担和疾病进展的定量监测。
• 支持放射科医生和临床医生在疫情期间对高容量影像进行分诊。
• 在来自中国和美国的国际数据集上评估该系统的性能。

提出的方法

• 该系统采用基于现有AI平台改进的2D与3D深度学习模型组合。
• 整合了COVID-19 CT特征的临床知识，例如磨玻璃样影和实变模式。
• 模型执行基于切片的热力图可视化以及肺部密度影的3D容积重建。
• 计算一种新型的“Corona评分”，以定量追踪不同时间点的疾病负担。
• 该系统在包含中国和美国病例的157例国际患者的回顾性数据集上进行训练和验证。
• 通过测试集中确诊病例与对照病例的AUC、敏感度和特异度评估性能。

实验结果

研究问题

• RQ1 基于胸部CT扫描，深度学习系统能否准确区分COVID-19与非COVID-19病例？
• RQ2 该系统能否为感染患者提供可靠、定量的肺部密度影体积与分布测量？
• RQ3 该系统在使用连续CT扫描时，能否有效追踪疾病负担的变化？
• RQ4 所提出的“Corona评分”能否作为监测疾病进展或缓解的稳定、客观指标？
• RQ5 该系统在不同国际患者人群中是否保持高性能？

主要发现

• 在针对中国患者测试集的区分中，该系统在受试者工作特征曲线下面积（AUC）达到0.996（95%置信区间：0.989–1.00）。
• 在高敏感度工作点下，系统表现出98.2%的敏感度和92.2%的特异度。
• 对于确诊COVID-19的患者，该系统能够准确测量密度影的体积，并通过热力图和3D重建进行可视化。
• “Corona评分”成功追踪了疾病进展与缓解，在一名患者中4天内密度影负担减少了49%。
• 在一项纵向病例研究中，系统在15天后检测到密度影完全消退（Corona评分：0），表明患者已完全康复。
• 该系统在国际数据集上表现出一致的性能，包括来自中国和美国的患者。