近日，我校孫逸仙紀念醫院副院長林天歆教授團隊在國際知名學術期刊Nature Biomedical Engineering發表題為“A deep-learning pipeline for the diagnosis and discrimination of viral, non-viral and COVID-19 pneumonia from chest X-ray images”的論文，該研究成功開發了基于X線胸片的人工智能診斷系統用于新冠肺炎的診斷以及與其他常見的病毒及非病毒性肺炎的快速智能診斷，為新冠肺炎的防控增添了有力的支持。
該研究由中山大學、北京郵電大學、清華大學、澳門科技大學、四川大學、安徽醫科大學、三峽大學、廣州市再生醫學衛生廣東省實驗室、南京大學、南方醫科大學等24家國內外大學及醫院協作，由孫逸仙紀念醫院林天歆教授團隊與北京郵電大學王光宇教授團隊、澳門科技大學張康教授團隊牽頭合作完成，孫逸仙紀念醫院放射科沈君教授為共同第一作者，林天歆教授為最后通訊作者，孫逸仙紀念醫院為最后通訊單位。該研究得到孫逸仙紀念醫院院長宋爾衛院士的大力支持和精心指導。
胸片及胸部CT是新冠肺炎篩查、診斷及病情評估的重要手段。胸片（CXR）十分簡單經濟而且普及，是篩查和診斷包括細菌性、病毒性在內的各類肺炎的首選手段，開發基于胸片的人工智能（AI）診斷系統能為新冠肺炎提供更加經濟且易于快速普及的診斷工具。
由于X線顯示病變不及CT清晰和全面，非病毒性肺炎、其他病毒性肺炎在胸片的影像特征比較相似，因此基于胸片的人工智能（AI）診斷系統開發需要大量的訓練數據及更加巧妙地人工智能的算法及流程。既往的AI模型基于弱監督分類或基于注意力的卷積神經網絡用于CXR的肺部疾病檢測。然而，目前仍缺乏對可變的CXR圖像條件具有魯棒性并且能夠滿足實際臨床應用標準的全自動分析流程。該研究使用包含145,202張CXR圖像的多中心數據集，以及其他四個隊列和多個國家的數千張圖像進行了回顧性和前瞻性測試（圖1），建立了基于CXR的圖像標準化、病變可視化和疾病診斷，可用于識別新冠肺炎，并與其他病毒性肺炎及非病毒性肺炎相鑒別的全自動深度學習流程，該人工智能系統適用于多種環境，通過在流程中引入解剖學邊界自動檢測實現CXR圖像標準化處理，同時為全自動學習和分析各種肺炎的影像學特征提供指引，不僅具有很強的通用性，還能很好地快速區分病毒性肺炎、其他類型肺炎和無肺炎（AUC=0.88-0.99），嚴重與不嚴重新冠肺炎（AUC=0.87），嚴重/不嚴重COVID-19肺炎、其他病毒性和非病毒性肺炎（AUC=0.82-0.98）。在獨立的440張CXR測試中，該人工智能系統的診斷效能與高級放射科醫師相當，并能夠顯著提高初級放射科醫師的診斷水平。
該人工智能系統在協助放射科醫生快速準確診斷大流行性肺炎中具有重大的臨床價值。可以在沒有分子檢測結果或者CT高端影像資源缺乏的情況下，能夠快速準確診斷和評估新冠肺炎及其他病毒性肺炎的嚴重性，為臨床早期干預提供決策支持。該系統可快速部署到各級醫療中心，為抗疫提供又一強有力的診斷工具。
圖1：基于CXR的人工智能診斷系統的建立
該研究團隊自新冠以來持續關注人工智能在新冠肺炎中的影像診斷鑒別研究，前期已開發基于CT的新冠肺炎人工智能系統，相關研究結果2020年6月11日發表在Cell上。本次研究是在前期研究基礎上的又一次突破。上述研究工作得到了國家重點研究發展計劃(2019YFB1404804)、國家自然科學基金 (NO: 61906105, 61872218, 61721003，61673241)、廣東省基礎與應用基礎研究基金(NO: 2019A1515010549)、廣州再生醫學與健康廣東省實驗室創新創業團隊計劃(2018GZR0301001)、澳門FDCT基金(0035/2020/A)、廣東省領軍人才引進計劃(2016LJ06Y375)、馬克癌癥研究基金會和英國劍橋癌癥研究中心(C9685 / A25177)等項目的資助。
