深度学习用于新冠肺炎CT诊断表现如何？武大人民医院medRxiv论文揭示：诊断性能比肩医师，而用时少，大有可为

【导读】抗击新冠肺炎疫情还在继续。人工智能深度学习技术在抗击疫情方面有何作用？最近武汉大学人民医院在medRXiv预印版本论文，构建一个基于深度学习的系统，在高分辨率CT上检测2019-nCoV肺炎，减轻放射科医生的工作压力，提高诊断效率。在2月份真实病例数据上的实验结果揭示，基于深度学习的模型在更短的时间内取得了与专家放射科医师相当的效果。它在提高诊断效率、减轻一线放射科医师的工作压力、加快COVID19患者的诊断、隔离和治疗等方面具有巨大的潜力，有助于控制疫情。值得一提的是，该工作也得到了Keras作者 François Chollet的推评，本工作用到了Keras。

背景: CT是评估肺炎冠状病毒感染的首选影像学方法。我们的研究目的是构建一个基于深度学习的系统，在高分辨率CT上检测2019-nCoV肺炎，减轻放射科医生的工作压力，提高诊断效率。

方法: 收集2019-nCoV肺炎患者40例21661张CT扫描图像和24例非2019-nCoV感染患者5100张CT扫描图像，训练卷积神经网络模型检测2019-nCoV肺炎。收集了11例和31例具有和不具有2019-nCoV肺炎的患者进行回顾性检测。前瞻性收集武汉大学人民医院于2020年2月5日连续接受CT扫描的27例患者，以评估和比较放射科医师对2019-CoV肺炎的治疗效率。

结果: 该模型对每个患者的敏感性为100%，特异性为93.55%，准确性为95.24%，PPV为84.62%，NPV为100%;在回顾性数据集中，每幅图像的灵敏度为94.34%，特异性为99.16%，准确性为98.85%，PPV为88.37%，NPV为99.61%。在27名预期患者中，该模型与专家放射科医生相比，具有更短的阅读时间(41.34s [IQR 39.76-44.48] vs. 115.50s [IQR 85.69-118.17])。

解释: 我们已经开发了一个深度学习模型，显示了与专家放射科医生使用更短的时间的可比性能。这对提高临床诊断的效率，减轻放射科医师的工作压力具有很大的潜力。