《BMC Digital Health》：Seeing beyond positivity: computer vision approach to decoding BinaxNOW COVID-19 tests and forecasting negative results
编辑推荐：
背景：COVID-19的流行促进了侧向层析检测（LFA）用于自我诊断的广泛应用、监管认知和社会熟悉度。LFA使用频率的增加以及普通人群对其使用的增加，放大了这些检测的一些主要缺点，即依赖用户对检测结果的解读、结果本身的定性性质，以及与传统基于聚合酶链反应（PC
背景：COVID-19的流行促进了侧向层析检测（LFA）用于自我诊断的广泛应用、监管认知和社会熟悉度。LFA使用频率的增加以及普通人群对其使用的增加，放大了这些检测的一些主要缺点，即依赖用户对检测结果的解读、结果本身的定性性质，以及与传统基于聚合酶链反应（PCR）的诊断检测相比灵敏度和特异度较低。此外，这些检测的结果及其由非专业用户的解读越来越多地被当局用作公共卫生工具，就公众应如何根据自我解读的检测结果采取行动提出建议。研究人员的目的是开发一种客观的图像分析算法，能够（1）解读一种流行的COVID-19 LFA快速抗原检测（RAT）的结果，并准确估计病毒载量，以及（2）预测用户在阳性检测后多久会在RAT上转为阴性，表明传染性丧失以及能够与他人接触而不担心传播感染。结果：研究人员发现，可以将病毒载量估计到金标准PCR检测的均方根误差（RMSE）为1.44循环阈值（CT）以内，并且可以在症状出现后至少5天的随访中预测用户的检测结果状态，灵敏度为99%，特异度为73%，准确率为94%。该分析算法最终嵌入到移动应用程序中以便于使用。结论：开发一种用于估计病毒载量的客观图像分析算法并结合智能手机应用程序，代表了全球数百万人用于诊断多种流行病学重要疾病的LFA RAT技术的重大改进。
论文解读文章
**研究背景与问题**
COVID-19大流行促使侧向层析检测（LFA）作为快速抗原检测（RAT）广泛用于自我诊断。尽管LFA具有快速、便捷、低成本等优点，但其依赖用户主观解读、结果仅定性、灵敏度和特异度低于实时逆转录聚合酶链反应（qRT-PCR）等缺点在广泛使用中凸显。非专业用户对检测结果的解读存在误差，而公共卫生机构常依据这些自我解读结果制定隔离建议，这进一步放大了风险。因此，需要一种客观的量化方法，既能准确解读RAT结果，又能估计病毒载量并预测转阴时间，以指导用户决策。
**研究内容与结论**
研究人员开发了一种基于计算机视觉的图像分析算法，应用于Abbott BinaxNOW COVID-19 Ag快速抗原检测卡。该算法能够自动识别检测线和控制线，计算累积线强度（ALI）比值，并建立与PCR循环阈值（CT）和抗原浓度的回归模型。研究表明，ALI比值与CT呈指数相关，与抗原浓度呈S形剂量-反应关系。通过该模型，研究人员可估计病毒载量，预测值与实际CT值的均方根误差（RMSE）为±1.44 CT。此外，基于ALI比值和基线检测后时间，构建了逻辑混合模型预测用户转阴时间，在至少5天后的随访中，模型预测准确率为90%，灵敏度96%，特异度61%。该算法最终集成至智能手机应用程序，提升了可及性和可扩展性。论文发表在《BMC Digital Health》。
**主要关键技术方法**
研究人员采用以下关键技术方法：1）计算机视觉图像处理：使用Python和OpenCV库，通过洋红色标记定位检测条，计算颜色差异图像，应用Otsu二值化提取卡片头部，确定检测区域，并基于灰度强度峰值识别控制线和样本线区域。2）累积线强度（ALI）计算：针对每条线，线性插值基线强度，计算实际强度与基线之差的总和，得到ALI，并以样本ALI与控制ALI的比值作为归一化指标。3）回归模型构建：基于实验室样本（18份稀释系列）拟合指数模型（CT vs ALI比值）和S形剂量-响应模型（抗原浓度 vs ALI比值），并在30份盲法样本中验证。4）临床样本模型：来自RADx基础设施中一项大型横断面研究的子研究，纳入59名症状出现0-3天内且基线BinaxNOW阳性的受试者，进行3-5天随访，共获取118张基线图像和64张随访图像（其中32名受试者完成随访，16名阴性、16名阳性）。使用逻辑混合模型，以基线ALI比值和检测后天数为固定效应、受试者为随机效应，预测转阴概率。5）内部验证：采用Harrell偏差校正方法评估模型准确性、灵敏度和特异度。6）移动应用开发：基于Android Studio开发原生安卓应用，支持多设备。
**研究结果**
**Correlation between LFA quantification metric, PCR CT, and antigen quantification**
通过实验室样本分析，发现LFA量化指标ALI比值与PCR CT值呈指数相关（指数回归），与抗原浓度（pg/mL）呈S形相关（剂量-响应曲线）。基于这些数据构建的预测模型在验证中显示，CT预测值与实际CT值的RMSE为±1.44 CT，抗原浓度预测值与实际值的RMSE为±21,634.87 pg/mL，表明CT模型预测性能更优。
**Time to negative model**
利用ALI比值和基线检测后时间，逻辑混合模型预测受试者在随访时的检测结果。在外部光照条件下（非光箱）拍摄的图像所训练的模型，整体准确率为90%，灵敏度96%，特异度61%。经Harrell偏差校正后，准确率、灵敏度和特异度略有下降，提示可能存在过拟合（样本量90个）。而光箱内受控光照条件下的图像模型性能略低，表明该方法在不同光照条件下具有鲁棒性。
**Discussion（讨论部分总结）**
研究人员通过自动化计算机视觉模型检测LFA的控制线和样本线，消除了用户主观解读误差，并实现了定量分析。该技术可估计病毒载量，进而预测转阴时间，为公共卫生决策提供依据，例如用户可据此规划隔离期。集成至智能手机应用程序后，可大规模推广，尤其适用于家庭自测。尽管存在用户操作差异、不同品牌LFA设计差异、较低特异度可能导致假阳性（但优先考虑灵敏度）以及小样本量可能过拟合等局限性，但该技术仍代表了首个COVID-19病程进展工具，对全球公共卫生有重要意义。
**研究结论部分翻译**
结论：开发一种用于估计病毒载量的客观图像分析算法并结合智能手机应用程序，代表了全球数百万人用于诊断多种流行病学重要疾病的LFA RAT技术的重大改进。
