第42章：基于人工智能的传染病影像评估——以 COVID-19 为视角（Artificial Intelligence-Based Evaluation of Infectious Disease Imaging: A COVID-19 Perspective）

Introduction

本章的作者为 Li Fan、Jun Shi、Nannan Shi、Wenting Tu、Yun Bian、Xiuxiu Zhou、Yu Guan、Yuxin Shi 与 Shiyuan Liu,分别来自上海长征医院放射科、上海大学通信与信息工程学院,以及上海公共卫生临床中心与长海医院。人工智能在医疗领域的应用由来已久,在医学影像中的早期任务包括肺结节检测、鉴别诊断与预后预测等。2019 年 12 月初 COVID-19 疫情暴发以来,AI 在传染病影像中的应用才真正进入加速期。该病毒被 WHO 于 2020 年 1 月 7 日命名为 2019 novel coronavirus(2019-nCoV),所引起的疾病称为 coronavirus disease 19(COVID-19),主要累及呼吸系统。WHO 已将 COVID-19 列为国际关注的突发公共卫生事件,因其传播迅速,实现快速而可靠的诊断对后续治疗与疫情防控都至关重要。目前用于确诊 COVID-19 的金标准是基于实时聚合酶链反应(RT-PCR)的病毒核酸检测,但其检测耗时较长且假阴性率较高,许多患者无法及时得到确诊。胸部 CT 作为常规且高灵敏度的肺炎诊断影像工具,操作相对简便、出结果快,成为 COVID-19 诊断工作中的关键一环。

AI Methods for Infectious Disease

X 线与胸部 CT 是 COVID-19 影像识别的主要手段,此外,在部分特殊病例中也会使用肺部超声。在当前最主流的 AI 方法中,深度学习(DL)是抗击 COVID-19 的核心力量,尤其在医学影像领域发挥了积极作用。AI 的定位是辅助临床决策与提高效率,并不试图替代医生。当前 AI 赋能的应用主要涵盖:专用影像平台、肺与感染区域的分割、诊断与预后评估,以及一些探索性的基础与临床研究。值得注意的是,这些工作大多基于卷积神经网络(CNN)及其变体,因为 CNN 是图像处理任务的典型 DL 方法。训练一个稳健的 CNN 模型通常需要大量标注数据,但在疫情早期,要获取肺与感染区域分割、病变检测与 COVID-19 诊断所需的足量样本是困难的,因为精确标注既昂贵又耗时。因此,研究者开发了多种机器学习方法来缓解标注数据不足的问题,包括迁移学习(transfer learning)、半监督学习(semi-supervised learning)、主动学习(active learning)等。

Segmentation of Lung Lesion Based on AI

肺与感染区域的 CT 分割是疾病分析的初始步骤,主要在胸部 X 线与 CT 图像上勾勒出感兴趣区(ROI),包括肺、支气管肺叶、肺段以及感染/病变区域。在已报道的 CNN 分割工作中,U-Net 及其变体(如 UNet++、V-Net)是最为常用的方法。U-Net 通过跳跃连接将高层与低层特征融合,这一对称的编码—解码结构既简洁又高效。分割方法可分为三类:人工分割、半自动分割与全自动分割。人工分割既单调耗时,又容易受到观察者之间与观察者自身差异的影响;半自动分割在效率上有所提升;而全自动分割近年来获得越来越多的关注。Ronneberger 提出的 U-Net 因结构简单、性能优异,被广泛应用于 COVID-19 的自动分割任务。Li 等开发了一套基于 U-Net 的自动分割系统来量化 COVID-19 肺炎区域,与两位资深放射科医生手工分割相比,平均 Dice 系数分别达到 0.74 ± 0.28 与 0.76 ± 0.29。Chen 等训练了 UNet++ 提取 CT 图像中的感染病灶,在 600 张测试图像上达到了 100% 的准确率。Inf-Net、VB-Net 等也被用于肺炎病灶的分割。为了进一步提升分割性能,研究者常在 U-Net 主干网络中嵌入注意力机制,以学习最具区分性的特征。

迁移学习是缓解小样本问题的有效方法,尤其适用于需要像素级标注的分割任务。其思路是将已训练模型的知识迁移到新模型,既提升性能又显著减少对目标域训练数据的需求。一种常见做法是将已在胸部图像上预训练好的分割模型迁移到 COVID-19 的新分割任务,再用有限样本对其参数进行微调。半监督学习是另一类广泛使用的方法,只依赖少量像素级标注的 COVID-19 感染图像,再利用未标注数据来扩充训练集。具体做法是通过已训练网络从未标注图像生成伪像素级标签,从而扩大训练集,因此半监督模型通常能取得更优的分割性能。临床先验信息或医生知识对分割任务也很有帮助,因此新型的人机协同(human-in-the-loop)策略已被整合到分割模型的训练流程中。例如,CNN 模型可与放射科医生交互式训练以修正错误的分割结果;或者由放射科医生提供初始种子点,作为临床先验知识,帮助准确定位并初始化感兴趣区的分割。

Quantification, Diagnosis, and Differential Diagnosis of Infectious Disease

COVID-19 的 CT 表现与其严重程度密切相关:已有研究报道,重型与危重型患者的 CT 肺炎量化值显著高于中型患者。肺炎体积占全肺的体积比(lesion-to-lung volume ratio)可作为疾病严重程度评估的量化参数,该比例被定义为评估重型患者的关键指标。已有多套 AI 辅助诊断系统正在医院投入测试,主要聚焦于智能扫描、诊断与严重度评估,目标是最小化接触传播、提高诊断准确率,并为治疗提供指引。作为一种新发疾病,COVID-19 与其他类型肺炎在影像表现上有诸多相似之处,因此放射科医生需要积累大量经验以实现较高的诊断水平,计算机辅助诊断(CAD)对提升决策质量具有重要价值。研究人员为此开发了多种基于 CNN 的 X 线与 CT 端 CAD 模型。由于带标签的训练样本有限,迁移学习策略(尤其是预训练模型)被广泛采用,即先用其他领域的大规模图像对 CNN 模型进行预训练,再用 COVID-19 数据进行微调。常用的预训练 CNN 模型包括 AlexNet、GoogLeNet、VGG-Net、ResNet、DenseNet 等。

多项具体研究已被报道:Ni 等利用深度学习模型对 COVID-19 患者的 CT 异常进行自动检测,其定量性能优于放射科医生,可协助医生更快地完成诊断;Jin 等提出基于 UNet++ 的肺炎病灶分割模型,以及基于 5 家医院 1136 个训练样本(723 例 COVID-19 阳性、413 例 COVID-19 阴性)的 ResNet50 鉴别诊断模型,测试集灵敏度与特异度分别为 0.974 与 0.922;Wang 等使用 6 个城市/省份共 1266 例患者数据训练的模型在 COVID-19 与其他类型肺炎的鉴别中表现良好;Li 等开发的模型对 COVID-19 的 AUC 达 0.96,对社区获得性肺炎的 AUC 达 0.95;Wang 等用深度学习算法筛查 COVID-19 CT 图像,内部验证准确率 89.5%、特异度 0.88、灵敏度 0.87,外部测试集准确率 79.3%、特异度 0.83、灵敏度 0.67;Gozes 等在中国对照与感染患者中,对冠状病毒与非冠状病毒胸 CT 病例的分类 AUC 达到 0.996(95% CI: 0.989–1.00)。

除预训练模型外,其他机器学习方法也被用于定制化 CNN 模型,以部分缓解小样本问题,其中主动学习(active learning)就是一种有效手段。在标注样本稀缺、未标注图像充足的情况下,主动学习通过主动挑选最有信息量的未标注样本进行标注,既降低标注成本又扩充训练集,提升模型性能。例如,有研究将 U-Net 与混合主动学习策略结合,基于 CT 与患者级标签对 COVID-19 进行诊断,同时考虑样本多样性与预测损失;另有研究将主动学习与弱监督学习整合到统一框架,进一步提升诊断性能。

放射组学(radiomics)也被用于 COVID-19 的鉴别诊断。Fang 等开发了一个列线图(nomogram),在训练集上表现良好(AUC 0.959),其中 56 例 COVID-19 肺炎患者中,49 例初始病毒核酸检测为阴性,7 例来自另一家医院;在验证集上 AUC 也达到 0.955,在训练与验证样本上均显示出良好的校准度。

Imaging Outcome and Dynamic Change During Follow-Up

COVID-19 在 CT 上的演化过程至今仍不完全清楚。Pan 等回顾了 21 例康复期 COVID-19 患者(病程中未出现严重呼吸窘迫),基线与随访 CT 的平均间隔为 4 ± 1 天,平均住院时长 17 ± 4 天。在有效的个体化治疗后,大多数患者病情得到控制并稳定改善:症状严重度峰值出现在起病后约 10 天,改善出现在约 14 天。随访 CT 显示,肺内病灶在数量与体积上均有所减少,病灶密度也下降;临床治愈病例的 CT 表现为完全吸收或仅残留少量条索影;部分病例短期内可在 CT 上见到 GGO 与实变转化为粗纤维条索影,其最终转归仍需随访研究证实。若未获得有效治疗,部分病例会快速恶化,CT 上病变在很短时间内变得更为弥漫。AI 方法也被应用于 COVID-19 肺炎区域随时间的动态变化评估: Pu 等开发了一套软件对 CT 上 COVID-19 相关肺炎区域及疾病进展进行自动、稳健的检测与量化,研究发现 CT 病灶的体积比在预测 COVID-19 进展为重症方面,优于 APACHE-II 评分、中性粒细胞/淋巴细胞比值(NLR)、D-二聚体等传统临床生物标志物;Huang 等用深度学习工具对 126 例患者进行 CT 肺实变百分比计算,认为该方法可减少初评与随访时肺内病灶评估的主观性;上海公共卫生临床中心的 Yuxin Shi 团队则尝试用 AI 可视化 COVID-19 感染区域随时间的变化,并据此提供随访策略。

Reducing the Workload of Healthcare Workers

COVID-19 疫情期间患者数量的骤然剧增给医生带来了极高的工作负荷。AI 的应用在一定程度上减轻了医护人员的工作压力,既能为年轻医生提供关于这种新发疾病的最优培训,也能在早期为诊断与治疗提供帮助。

The Role of Chest Imaging in Patient Management During the COVID-19 Pandemic

COVID-19 疫情期间,胸部影像在不同流行阶段、不同国家与地区、不同医院、不同临床场景与不同疾病阶段中所扮演的角色并不相同,这与专家共识中的建议一致。在中国 COVID-19 暴发早期,由于患者激增且 RT-PCR 检测试剂盒短缺,在第五版《新型冠状病毒感染诊疗方案》中,CT 肺炎表现被列为湖北地区临床诊断标准之一,据此采取隔离与治疗以控制传播。这一做法值得其他国家在 RT-PCR 检测能力不足、结果延迟或假阴性的情况下参考:胸部影像可作为快速纾困的辅助手段。随着疫情得到控制,第六、第七版方案相继取消了基于 CT 影像的临床诊断标准,但胸部影像仍被列为评估疾病严重程度、进展与转归的主要手段之一,其角色需根据综合情况动态调整。随着 RT-PCR 快检产品的出现、试剂质量与医院检测能力的提升,RT-PCR 作为金标准被推荐用于快速筛查,胸部影像则作为 RT-PCR 的补充,用于评估肺炎的严重程度与进展。在最新的专家共识中,胸部影像的使用被进一步收紧,仅针对具有疾病进展风险因素且伴中重度呼吸系统症状的 COVID-19 患者。考虑到短时间内的累积辐射剂量,胸部影像应按需进行,推荐在随访中使用低剂量 CT;对于病情稳定的 COVID-19 插管患者,胸片检查也应按需进行,而不作为每日常规。

Development of Drugs and Vaccines

AI 还被用于 COVID-19 现有药物数据的研究与开发。在传统药物测试需要大量时间的情况下,AI 能够实时加速药物测试,这是人类难以做到的。AI 既可协助识别对 COVID-19 患者有用的药物,也已成为辅助诊断试剂设计与疫苗开发的有力工具。

本章个人批注

本章与第 41 章(间质性肺疾病,ILD)同属呼吸系统 AI 应用,二者构成 CT 肺成像 AI 任务谱的"非肿瘤线"。本章聚焦 COVID-19 这一特定传染病,与其他呼吸章节相比,呈现出明显的时间性与"应急工具"特征:2020 年初疫情暴发,几乎所有可用的 CNN 架构(U-Net、UNet++、ResNet、DenseNet、GoogLeNet、Inf-Net、VB-Net)都被迅速部署到 CT 病灶分割、诊断与严重度评估中。这种"现成工具全动员"的局面,既是深度学习范式在医学影像中成熟度的体现,也带来了几个值得深思的问题。

其一,数据集规模与外部验证不足的问题在 COVID-19 文献中尤为突出。例如 Wang 等[34]内部验证准确率 89.5%,但外部验证准确率骤降至 79.3%、灵敏度从 0.87 降到 0.67,这种"内外差"在快速发表压力下常被忽视。其二,迁移学习的广泛使用是疫情早期小样本问题下的务实选择,但预训练模型来自其他领域(如自然图像的 ResNet/DenseNet),与 CT 病灶特征的领域迁移性仍存疑。其三,作者在结论中提到的"未来应将 AI 与临床信息、流行病学、影像、预后等多重特征进一步整合"是更稳健的方向,但写作时这些工作尚未完成;读到这里我想到,这一整合思路在 2022 年之后的 Long COVID、肺纤维化后遗症研究中,实际上仍在推进。

本章的参考文献[31]与正文中的"Wang et al."并不严格对应——参考文献中既出现了 Wang B 等(Appl Soft Comput)、Wang S 等(Eur Respir J)、Wang S 等(Eur Radiol 2021)、Wang M 等(Lancet Digital Health),也存在编号错位(正文 [30] 引用 Ni Q 而参考文献 [30] 也是 Ni Q、[31] 是 Jin 但参考文献 [31] 变成了 Wang B)。这可能只是从初稿到正式版编辑过程中留下的版本不一致,不影响阅读。

与上下章的衔接（一段话）

在全书结构上,第 40–42 章构成 CT 肺成像 AI 的"非肿瘤线"三连:第 40 章 COPD 是慢性气道阻塞性疾病的定量评估,第 41 章 ILD 是弥漫性间质性病变的多层模式识别,本章 COVID-19 则是急性感染性肺炎的影像量化与动态随访——三者对应的临床任务分别为长期定量、模式识别与急性期决策。第 42 章的特殊性在于它面向一种新发疾病,所有方法(尤其是 CNN 与迁移学习)被快速重构以应对疫情,这一点在文献密度(44 篇引用集中于 2020 年)与样本量(动辄上千例)上都与前两章不同。下一章(第 43 章)将话题从感染性肺炎切换到肺部结节/肺癌筛查,这一转折反映了"从急性传染病管理回到长期癌症筛查"的临床重心转移,也是肺部 AI 应用从"应急"走向"常规"的标志。