论文部分内容阅读
目的 探讨人工智能在诊断新型冠状病毒肺炎(COVID-19)临床分型中的应用价值.方法 对158例最终经深圳疾控中心核酸检测阳性确诊COVID-19患者的胸部CT影像资料进行回顾性分析.把临床分型为普通型、重型、危重型的患者分为普通型和重型/危重型2组,应用推想科技影像人工智能软件(InferReadTM CT Pneumonia)对2组的肺炎体积及肺炎体积占全肺体积百分比(肺炎占比)进行自动识别和半定量计算.采用两独立样本t检验(Levene检验)比较2组资料的肺炎体积及肺炎占比间的差异;采用Spearman相关评价临床分型与肺炎体积及肺炎占比的相关性;采用受试者工作特征(ROC)曲线评估肺炎体积和肺炎占比诊断重型/危重型患者的诊断效能.结果 158例确诊患者中,普通型125例,重型/危重型33例,其中男女比例89︰69,年龄14～86岁,平均(48.9±17.7)岁.普通型组的肺炎体积[(112.62±11.87)cm3]与重型/危重型组[(307.91±39.67)cm3]的差异有统计学意义(F=18.49,P<0.01);普通型组的肺炎占比[(2.62±0.36)％]与重型/危重型组[(9.69±1.55)％]的差异有统计学意义(F=26.59,P<0.01);肺炎体积与肺炎占比与临床分型呈轻度正相关(r=0.421,P<0.01;r=0.487,P<0.01);在临床分型鉴别中,肺炎体积与肺炎占比都有较高的准确性,曲线下面积(AUC)分别为0.799、0.846,肺炎体积以阈值56.725 cm3诊断重型/危重型的敏感度和特异度分别为0.939、0.504,肺炎占比以阈值2.13％诊断重型/危重型的敏感度和特异度分别为0.879、0.704.结论 应用影像人工智能可以半定量计算COVID-19的肺炎体积及肺炎占比,能较准确地区分COVID-19的普通型和重型/危重型患者.