近日，香港大學統(tǒng)計與精算學系系主任尹國圣教授聯(lián)合其他多位學者發(fā)表一篇最新論文，介紹了一個最新的新冠肺炎在線診斷系統(tǒng)（點擊查看論文原文）。據(jù)了解，該系統(tǒng)對新冠肺炎診斷的準確率88%、AUC值93%、敏感度86%、特異度90%，

參與這項研究的人員，還有西南財經(jīng)大學統(tǒng)計學院助理教授劉斌博士、研究生高曉雪、何孟霜、劉霖以及劉斌博士的同事呂鳳毛(西南財經(jīng)大學統(tǒng)計學院助理教授)。

目前，論文正在評審中，但是COVID-19診斷系統(tǒng)已經(jīng)在線、免費使用，Python程序及數(shù)據(jù)完全開源（開源地址：https://github.com/xiaoxuegao499/LA-DNN-for-COVID-19-diagnosis）

尹國圣教授表示，通過對非典疫情及各類流感病毒的研究，香港大學一直都走在世界科研的最前沿。2003年非典期間，深圳和香港的科研人員就曾聯(lián)合宣布，從果子貍等野生動物體內(nèi)找到非典病毒前體。

基于生物統(tǒng)計和臨床試驗方向的多年研究經(jīng)驗，從2020年1月底，尹國圣教授帶領的研究團隊開始嘗試一些新冠肺炎方面的研究，基于CT圖像診斷是其中一項工作。

但是，由于沒有公開的CT圖像數(shù)據(jù)集，團隊需要花大量的時間去尋找開放的樣本并對樣本進行標記。

后來，medRxiv上有一項工作，整理了一些關于新冠病人CT圖像分析的論文預印本。該論文從medRxiv和bioRxiv文章的預印本中提取了746張病人的CT圖像，并訓練了一個新冠病人二分類的神經(jīng)網(wǎng)絡。

然而，其結果顯示的預測效果還未能達到臨床標準。

尹國圣教授認為，一個原因是樣本量較小，另一個重要原因是沒有充分利用CT圖像樣本自身豐富的標注信息。這批CT數(shù)據(jù)跟傳統(tǒng)的醫(yī)療圖像數(shù)據(jù)最大的差別是，每個樣本都來自一篇醫(yī)學影像學論文。

在這些文章中，臨床醫(yī)生對新冠病人的胸部CT病灶特征做了詳細的描述，有些還和其他常見肺部疾病的病灶特征做了仔細的對比分析。

因此，在尹教授看來，“這批數(shù)據(jù)，雖然樣本數(shù)量有限，但信息量極大，是一個具有代表性，價值很高的數(shù)據(jù)集。”

研究人員進一步對樣本附帶的文本信息進行了針對性的研究，發(fā)現(xiàn)760篇論文涵蓋了對于新冠肺炎的五種病灶（Lesion）的描述，其中每個病人CT影像上均會出現(xiàn)其中一種或者多種病灶。通過對新冠確診病人的CT圖像的診斷描述進行分析，這五種病灶是影像學上對新冠肺炎診斷的主要標準。

于是，團隊設計出一個基于CT圖像的Lesion-Attention深度神經(jīng)網(wǎng)絡模型（LA-DNN）。

模型一方面學習圖像中可以區(qū)分新冠病人和非新冠病人的特征，另一方面把模型的“注意力”集中在病灶區(qū)域，即學習多標簽病灶，這就是團隊提出的LA-DNN（Lesion-Attention Deep Neural Networks）模型，如同臨床醫(yī)生通過CT圖像判斷病情時會側重關注異常的病灶區(qū)域而略過正常區(qū)域一樣，模型同時訓練兩個任務，相互協(xié)調(diào)，從而使得模型性能得到顯著的提升，其各項指標均達到了臨床標準。

同時，團隊也采用了遷移學習，即利用預訓練的VGG、DenseNet等神經(jīng)網(wǎng)絡來作為模型的骨干網(wǎng)絡。

新冠CT圖像診斷系統(tǒng)上線后，團隊仍然在繼續(xù)收集新的樣本，在線系統(tǒng)的訓練樣本比最初的樣本數(shù)量翻了一倍，并定期重新訓練模型，在線系統(tǒng)的效果比論文中的結果又有提升。

對于該成果未來的應用方向，尹教授表示，希望前線抗擊疫情的醫(yī)務人員使用該系統(tǒng)，分享數(shù)據(jù)、開展合作研究，幫助進一步測試和改進系統(tǒng)。

“目前，中國的疫情得以控制，而其他許多國家和地區(qū)仍然存在很大壓力，希望該系統(tǒng)可以在疫情仍然嚴重的區(qū)域發(fā)揮作用，減輕核酸檢測的負擔。”

總結

以上是生活随笔為你收集整理的香港大学尹国圣教授发布新冠肺炎AI成果 准确率达88%的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。