编辑推荐：
为解决 COVID-19 病情评估难题，伊朗拉夫桑詹医科大学研究人员开展用深度学习评估 COVID-19 严重程度的研究。他们利用 CT 影像，得出模型最高准确率 96.40% 的结果。该研究为临床诊断提供新途径，值得一读。
新冠疫情下的医学探索：AI 助力 CT 影像评估新冠严重程度
在新冠疫情这场全球大危机中，新冠病毒就像一个狡猾的 “敌人”，即便疫情最严峻的时期已经过去，它仍在一些地方徘徊，给人们的健康带来持续威胁。而且，大部分人对它没有天然的免疫力，它还能快速地在人与人之间传播，这可把大家都 “吓坏” 了。
在疫情防控和治疗过程中，准确检测和评估新冠病情至关重要。目前，逆转录聚合酶链反应（RT-PCR）是新冠的主要筛查手段 ，但它也有不少 “缺点”。虽说它能在 5 - 6 小时内出结果，可整个检测过程耗时较长，还容易出现假阴性的情况。更让人头疼的是，它没办法判断病情的严重程度。这就好比给病人看病，只知道他生病了，却不清楚病得有多严重，该怎么对症下药呢？所以，大家急需一种又快又准的诊断方法，既能及时发现病毒，又能了解病情的轻重，以便进行隔离和治疗。
在这样的背景下，胸部计算机断层扫描（CT）成为了 “救星”。相比 RT-PCR，CT 扫描诊断新冠更快更可靠。它能清楚地看到肺部的各种病变，像磨玻璃样影（GGO）、实变等。医生可以通过这些影像来判断病情，为治疗提供重要依据。但是，CT 影像的判读也有难题。以往，医生主要靠肉眼观察 CT 影像来判断新冠病情的严重程度，这不仅耗费时间，还非常主观。不同的医生看同一张 CT 片，可能会有不同的判断，就像 “一千个人眼中有一千个哈姆雷特” 一样，这可不利于准确诊断病情。
为了解决这些问题，来自伊朗拉夫桑詹医科大学附属阿里?伊本?阿比塔莱布医院的研究人员在《Scientific Reports》期刊上发表了一篇名为 “Development and validation of an automated deep learning framework for grading COVID-19 severity using lung CT images” 的论文。他们通过研究，开发出了一种创新的深度学习系统，能够根据肺部 CT 影像自动评估新冠病情的严重程度，这可给医生们提供了一个 “得力助手”。
研究人员在这项研究中主要运用了以下关键技术方法：首先，在数据预处理阶段，他们采用 Retinex 多尺度变换方法对 CT 扫描进行直方图均衡化，增强图像对比度。同时，还使用了数据增强技术，像随机旋转（±30 度）、水平和垂直翻转、缩放（0.8 - 1.2 倍）以及亮度调整等，让数据更加多样化，提高模型的泛化能力。其次，在特征提取和分类环节，他们借助 Inception - ResNet - v2 架构，将其中的 ResNet 组件设计成扩张结构（dResNet）。这种结构可以更好地从 CT 影像中提取特征，提高对新冠病情严重程度的分类准确性。
下面我们来看看研究结果。
数据集
研究人员收集了 6860 名参与者的数据，其中 2520 人被归类为正常，1188 人无症状。这些数据来自伊朗东南部的阿里?伊本?阿比塔莱布医院，收集时间是 2020 年 4 月到 2021 年 10 月，正好是全球和伊朗新冠疫情的高峰期。CT 扫描使用的是西门子的设备，技术参数都有严格的设定。扫描后的影像由两位经验丰富的胸部放射科医生独立评估，他们的评估误差小于 2%。研究人员根据肺部受累的百分比将影像分为三个等级：小于 20% 受累、20% - 50% 受累、大于 50% 受累，这样可以更清晰地了解病情的严重程度和发展情况。
实验设置
研究人员使用 64 位英特尔操作系统和 NVIDIA GeForce GTX 1650 GPU 进行实验。他们把肺部受累情况分为十个等级，采用 5 折交叉验证技术来验证结果。数据集被分成三个子集，分别用于评估、验证和训练。在训练过程中，Inception - ResNet - V2 架构有很多参数和设置，像批归一化、缩放、激活函数 ReLU 等。他们还对 Inception - dResNet - V2 模型进行了微调，调整了学习率、批量大小等超参数，让模型性能更优。
评估指标
研究人员用了准确率、精确率、灵敏度、F 值和特异性等多个指标来评估模型。通过对比不同结构的模型，他们发现 Inception - dResNet - v2 架构表现出色，在 10 个等级分类任务中，准确率高达 96.41%。10 折交叉验证也表明这个模型可靠准确，虽然数据集中有些类别分类准确率低，但整体来看，该模型在评估新冠病情严重程度方面表现良好。通过 ROC 曲线分析，也能看出该模型在提取病情严重程度信息上很有优势，AUC 值较高，说明模型的性能较好。
在讨论部分，研究人员对多个方面进行了分析。
特征和准确率离散度的影响
研究人员用互信息法选择了高、中、低三个层次的特征，然后把这些特征输入不同结构的模型进行评估。结果发现，随着特征数量减少，其他模型的误差增加，而他们提出的方法由于能在决策过程中产生更丰富的特征，在特征较少的情况下误差也相对较小，展现出了更好的稳定性和鲁棒性。
计算复杂度和收敛性
研究人员对比了多种预训练模型，发现他们提出的方法在使用有限特征的情况下，能达到较高的准确率和计算效率。虽然扩张结构会在一定程度上影响处理时间，但这是在准确率和计算复杂度之间的合理平衡，而且该方法还具有可扩展性。和其他模型相比，Inception - ResNet v2 和 Inception - dResNet v2 架构在特征提取上更先进，能更好地捕捉肺部受累的细节，并且针对十个等级的分类任务进行了优化，对临床决策有很大帮助。此外，该模型在收敛性方面表现良好，能快速准确地找到最优解。
消融研究
研究人员进行了消融研究，单独评估 Inception、ResNet 和 dResNet 架构，发现 dResNet Only 模型表现突出。将不同架构组合后，性能有了显著提升，比如 Inception + dResNet 模型的各项指标都很不错。数据增强和微调也对模型性能有很大的提升作用，最终集成了 Inception + dResNet + 数据增强的方法表现最佳，虽然在内存和推理时间上有一些增加，但性能提升明显，在实际临床应用中很有价值。
比较
和其他研究相比，该研究提出的方法在分类新冠病情严重程度上更准确。一些其他方法的准确率、灵敏度和特异性都不如该研究的模型。不过，该模型也有一些不足，比如灵敏度相对较低，这意味着可能会漏诊一些阳性病例。但总体来说，Inception - dResNet 模型在准确性和特异性方面表现出色，在不同的临床需求下各有优势。
局限性
这项研究也存在一些局限性。一方面，CT 扫描数据不够充足，特征选择过程也没有和其他方法充分结合优化，影响了模型的效果。而且研究使用的 CT 扫描协议只有三种，受特征数量限制，不同阶段的检测率也没有深入考虑。另一方面，数据集存在地域和人口统计学上的限制，只收集了伊朗地区的影像，缺乏种族和地区的多样性，这可能会影响模型的泛化能力。此外，研究没有将手动提取的特征和更合适的特征结合，而且由于成像设备的噪声和缺乏有效去噪方法，数据去噪也是一个难题。不过，基于 Transformer 的方法在解决这些问题上展现出了潜力。
总的来说，这项研究意义重大。它提出的基于 CT 影像分析的十级分类系统，为评估新冠病情严重程度提供了新的思路和方法。通过深度学习框架和扩张结构，模型能有效地从复杂的医学影像中提取特征，在和其他先进模型的对比中，展现出了较高的准确性和可靠性。虽然研究存在一些局限性，但为后续研究指明了方向。未来，研究人员可以利用更多样化的机器学习技术，扩大数据集，进一步优化模型，提高对新冠病情评估的准确性，为抗击新冠疫情提供更有力的支持，帮助医生更好地诊断和治疗患者，守护人们的健康。
