北京时间3月20日，科亚医疗的原创性研究成果：《Using Artificial Intelligence to Detect COVID-19 and Community Acquired Pneumonia based on Pulmonary CT: Evaluation of the Diagnostic Accuracy（基于肺CT的人工智能检测COVID-19和社区获得性肺炎：诊断准确性评估）》，作为“可以有效区分一般肺炎与新冠肺炎”的人工智能检测评估创新型技术，以其现实应用意义和研究前瞻性的价值。全球首个被国际顶级放射学期刊《Radiology》收录并发表。

《Radiology（放射学）》杂志被公认为是放射学领域最新、与临床相关切质量最高的权威杂志。

肺部CT异常是新冠肺炎最典型的影像学表现，部分患者肺部影像改变早于临床症状，因此CT是当前筛查与诊断新冠肺炎的主要手段。科亚医疗本次研究旨在开发一个全自动的人工智能算法框架，助力CT影像检查，自动将新冠肺炎患者从其他患者中鉴别出来，帮助一线医生实现更高效、准确的新冠肺炎患者筛查，提升影像科医生的阅片速度以及新冠肺炎的诊断效率。

在这项回顾性的多中心研究中，科亚医疗采用前沿的深度学习技术，创新性地开发了针对新冠肺炎COVID-19的3D检测神经网络 --- COVNet（如图1所示），从肺部CT中提取各类影像特征用于鉴别新冠肺炎。为开发和验证该模型的准确性和稳健性，此次研究在六家医院收集了从2016年8月至2020年2月间共计3322名患者的4356例CT数据，其中包括新冠肺炎、社区获得性肺炎（非新冠）、以及其他非肺炎患者的CT检查数据。在独立测试集中验证表明，科亚医疗自主研发的COVNet对新冠肺炎的鉴别灵敏度和特异性分别高达89.76％和95.77％，ROC（受试者工作特征）曲线下面积AUC为0.96。同时验证了模型对社区获得性肺炎的鉴别准确性（灵敏度86.85％，特异性92.28％，AUC为0.95）。研究结果充分证明了COVNet可以准确地检测出新冠肺炎，并将其与社区获得性肺炎和其他肺部疾病区分开。

图1. 新冠肺炎检测神经网络COVNet框架图

（COVID-19：新冠肺炎；CAP：社区获得性肺炎；Non-Pneumonia：其他非肺炎）

为了提高模型的可解释性，科亚医疗的研究团队基于加权梯度类激活映射方法，来可视化导致深度学习模型COVNet做出决策的重要区域（由模型自动生成）。图2展示了新冠肺炎、社区获得性肺炎、及非肺炎病例CT的可疑区域热图。这些热图表明，COVNet最为关注异常区域，同时正确地忽略正常区域，以帮助算法框架识别出病灶区域并做出准确的疾病鉴别。

图2. COVNet做出决策的重要区域热图。a、b、c列分别展示了新冠肺炎、社区获得性肺炎、其他非肺炎数据的CT图（上）和可疑区域热图（下）。

当前，新冠肺炎疫情肆虐全球，在防控过程中，第一步就是疑似病例的识别与诊断。而目前，核酸检测是确诊新冠肺炎的“金标准”，只有通过核酸检测阳性才能确诊。但对于早期普通型患者，核酸检测敏感度较低，临床上可能需要多次检查确认，检测耗时较长，常出现CT表现早于核酸检测阳性的情况。作为一种非侵入性成像方法，CT影像可呈现出与新冠肺炎相关的肺部病变特征（如磨玻璃影、实变、双侧受累、周围和弥漫性分布等）。然而CT在新冠肺炎和其他类型的肺炎之间的病灶影像征上有一定程度的重叠，增加了影像科医生的区分判定难度和诊断时间。

科亚医疗研究团队此次运用AI深度学习技术，创新性地开发并设计出的COVNet就很好的解决了上述问题，COVNet具有强大的CT影像特征提取能力，对新冠肺炎、社区获得性肺炎的鉴别准确性高。可以从肺部CT中提取各类影像特征，自动将新冠肺炎患者从其他患者中鉴别出来。在提高图像展示质量的同时，帮助临床医生及早确诊感染患者，大幅提升一线医生诊断效率，优化新冠肺炎筛查流程，实现高效精准筛查、降低医生工作强度，合理分配医疗资源的作用。

据悉，科亚医疗是国内首个人工智能三类医疗器械注册证获证企业，并以满足真实医疗需求为导向，一直专注于大数据和人工智能技术在医疗领域的落地应用，其获证产品“深脉分数”更是获得了国家药监局“具有重大的经济效益和社会价值“的定调评价。

此次科亚医疗正是凭借其科研团队在人工智能及医学影像领域的长期积累和技术优势，在疫情期间配合国家号召，火速研发了“新冠肺炎智能辅助诊断系统”驰援前线的影像科室，捐赠到湖北、广东、四川、山东等地区多家医院使用。近日，随着新冠肺炎疫情全球蔓延，科亚团队正在同欧美数十家医院、影像中心等展开密切合作，推进产品本地化与快速落地，展现了中国人工智能技术应用开发的速度与实力。