跳转至

第 42 章 感染性疾病影像的 AI 评估：以 COVID-19 为视角（Artificial Intelligence-Based Evaluation of Infectious Disease Imaging: A COVID-19 Perspective）

作者

  • Li Fan, MD（通讯作者）—— Department of Radiology, Changzheng Hospital, Naval Medical University, Shanghai, China。
  • Jun Shi, PhD —— School of Communication and Information Engineering, Shanghai University。
  • Nannan Shi, MM / Yuxin Shi, MD —— Department of Radiology, Shanghai Public Health Clinical Center, Fudan University。
  • Wenting Tu, MM / Xiuxiu Zhou, MM / Yu Guan, MM / Shiyuan Liu, MD —— Department of Radiology, Changzheng Hospital, Naval Medical University。
  • Yun Bian, MD —— Department of Radiology, Changhai Hospital, Naval Medical University。

本章位于 Part IV 胸部应用部分，承接第 41 章（ILD）后，转向感染性疾病影像——以 COVID-19 为视角。属于"应用 + 综述"性质的章节，重点是 AI 在 COVID-19 影像上的诊断与分割。Fan / Liu 团队来自上海长征医院 / 上海大学，是中国 COVID-19 影像 AI 的核心团队。

内容概述

COVID-19 自 2019 年 12 月爆发以来，AI 在该领域迅速崛起。本章按"AI 在感染性疾病的方法 → 肺 / 病灶分割 → 量化 / 诊断 / 鉴别诊断 → 严重度评估 → 预后预测"组织：

  1. AI 在感染性疾病的方法：
  2. CNN + U-Net（图像分割）
  3. 迁移学习（应对小样本）
  4. 半监督学习（减少标注成本）
  5. 主动学习（高效标注）
  6. 影像组学（区分 COVID-19 vs. 其他肺炎）
  7. 肺 / 病灶分割：
  8. U-Net（Ronneberger 2015）
  9. U-Net++（Chen 2018）
  10. Inf-Net、VB-Net
  11. Li [X23] U-Net COVID-19 分割 dice 0.74–0.76
  12. Chen [X25] U-Net++ 600 例测试集准确率 100%
  13. 量化 / 诊断 / 鉴别诊断：
  14. Fang [X17] 影像组学 nomogram 训练 AUC 0.959 / 验证 0.955
  15. Zhang/Li [X23] U-Net 系统 AUC 0.97
  16. Jun Chen [X25] U-Net++ 检测准确率 96%
  17. Shuo Wang [X32] DenseNet121-FPN / COVID-19Net 训练 AUC 0.90 / 验证 0.87
  18. Lin Li [X33] COVNet（3,322 例）AUC 0.96、敏感 90% / 特异 96%
  19. Shuai Wang [X34] 迁移学习 GoogLeNet Inception v3 AUC 0.93
  20. 严重度评估：肺炎体积 / 全肺体积比（PPV%）
  21. 预后预测：从严重度推断预后
  22. 临床整合：AI 辅助诊断系统（YITU Healthcare 等）

核心方程与概念

1. COVID-19 影像表现

CT 表现随疾病严重度变化： - 早期 / 轻型：GGO（磨玻璃影）为主 - 普通型：GGO + 实变 - 重型 / 危重型：双肺多发实变 + GGO + "白肺" 表现 - 恢复期：纤维化

2. U-Net（Ronneberger 2015）

对称 encoder-decoder + skip connections。Encoder 提取高级语义特征，Decoder 恢复空间分辨率，skip 融合低级细节。

3. U-Net++（Chen 2018）

U-Net 的改进：深度监督的 encoder / decoder 子网络 + 嵌套 skip connections。在 COVID-19 病灶分割上表现优于 U-Net。

4. Inf-Net / VB-Net

  • Inf-Net：感染病灶分割专用网络，多尺度 attention + 边缘信息。
  • VB-Net：V-Net 变体，用于体素级分割。

5. COVID-19 分割的迁移学习

在大规模自然图像或胸部 CT（其他疾病）上预训练，在 COVID-19 小样本上微调： $\(\theta_{\text{COVID-19}} = \theta_{\text{pretrained}} - \eta \nabla_\theta \mathcal{L}_{\text{COVID-19}}\)$

6. COVID-19 关键论文总结

研究 数据 方法 任务 性能
Fang [X17] 56 COVID + 其他 影像组学 nomogram COVID vs. 其他 AUC 0.955 (val)
Zhang/Li [X23] 196 U-Net 量化 + 严重度 AUC 0.97, dice 0.74–0.76
Jun Chen [X25] 164 train / 100 test U-Net++ COVID-19 检测 Acc 96%
Shuo Wang [X32] 935 DenseNet121-FPN / COVID-19Net 诊断 + 预后 AUC 0.87 (val)
Lin Li [X33] 3,322 COVNet COVID vs. CAP AUC 0.96
Shuai Wang [X34] 259 GoogLeNet Inception v3 COVID-19 筛查 AUC 0.93

7. 关键概念辨析

  • COVID-19 vs. 其他病毒性肺炎：早期 GGO 模式相似，AI 影像组学可辅助区分 [X17]。
  • CT vs. RT-PCR：RT-PCR 是金标准但有假阴性；CT 敏感性高（> 90%）但特异性中等（约 80%）。
  • "AI 诊断" vs. "AI 量化"：AI 既能给诊断（AUC 0.96），也能给严重度量化（PPV %）——后者对治疗决策更关键。
  • 迁移学习 vs. 标注数据：COVID-19 早期缺乏标注，迁移学习是核心策略。
  • "中国数据" vs. "全球泛化"：本章数据主要来自中国（上海），全球泛化未充分验证。
  • 商业化 vs. 学术研究：YITU Healthcare 等已商业化，但临床整合仍需时间。
  • 影像 + 临床 + 实验室融合：CT + RT-PCR + 临床 + 实验室联合推理可能优于单一模态。

关键结论

  • AI 在 COVID-19 上的应用分：肺 / 病灶分割、量化 / 诊断 / 鉴别诊断、严重度评估、预后预测。
  • U-Net、U-Net++、Inf-Net、VB-Net 是主流分割架构。
  • 迁移学习、半监督学习、主动学习是应对小样本的核心策略。
  • Fang 2020 [X17] 影像组学 nomogram 训练 AUC 0.959 / 验证 0.955，敏感 92.86% / 特异 97.06%。
  • Li 2020 [X23] U-Net COVID-19 量化系统 AUC 0.97、dice 0.74–0.76。
  • Chen 2020 [X25] U-Net++ 600 例测试集检测准确率 96%。
  • Lin Li 2020 [X33] COVNet（3,322 例）AUC 0.96，区分 COVID-19 vs. 社区获得性肺炎。
  • Shuai Wang 2020 [X34] 迁移学习 GoogLeNet Inception v3 AUC 0.93。
  • 商业工具：YITU Healthcare 等。
  • AI 在 COVID-19 上的应用是中国 AI 医疗的"标志性成果"之一。

挑战和开放性问题

  • CT vs. RT-PCR 的角色定位：CT 高敏感但中等特异；RT-PCR 是金标准但有假阴。AI 如何整合两种模态仍是开放问题。
  • 跨人群泛化：训练数据多来自中国，全球泛化未充分验证。
  • 跨病毒变种的泛化：原始株 vs. Alpha / Delta / Omicron 影像表现可能不同，AI 工具需持续更新。
  • DL 模型的"黑盒"问题：CNN 给出 COVID-19 概率但不解释依据。
  • 训练数据偏差：早期 COVID-19 数据来自武汉、上海等特定城市，可能不反映全球分布。
  • "AI 仅辅助" 在 COVID-19 上的体现：临床医生仍需结合 RT-PCR + 临床 + 影像综合判断。
  • "AI 量化" vs. "临床严重度评估"：PPV % 与临床严重度的对应关系仍需大样本验证。
  • 后 COVID 时代的 AI 价值：Omicron 等轻症变种后，AI 诊断价值是否仍显著？
  • 多模态融合：CT + RT-PCR + 临床 + 实验室 + 基因组联合推理的真正价值未充分挖掘。
  • AI 工具的"灾难性过度使用"风险：COVID-19 高峰期 AI 工具被快速部署，缺乏严格验证。
  • 伦理与隐私：COVID-19 数据共享的伦理与隐私挑战。
  • 临床整合路径：AI 工具集成到 PACS + 临床决策系统需工程 + 监管支持。

个人反思与批判性分析

  • 作者团队的"上海长征医院 + 上海大学" 视角：Fan 来自上海长征医院（COVID-19 中国战场之一），Shi 来自上海大学（图像处理强校）。本章是"中国 COVID-19 影像 AI" 的代表性视角，反映了中国 AI 团队在 COVID-19 上的快速响应。
  • "中国数据" vs. "全球泛化"：本章数据主要来自中国（上海 / 武汉）——AI 工具的全球泛化未充分验证。这与本章的"中国中心视角" 局限相关。
  • 早期 COVID-19 AI 工具的"快而粗"：COVID-19 早期（2020 年 1-3 月）AI 工具大量涌现，多为"快速预印本" 而非"严格同行评审"。读者应意识到这些工具的"研究阶段" 现实，而非"商业化部署"。
  • "迁移学习是核心策略" 的工程意义：COVID-19 早期缺乏标注，迁移学习是核心策略——这与 CCTA / CMR AI 的"大规模标注数据" 不同，反映了"突发公共卫生事件" 下的 AI 工作流。
  • "AI 诊断 + AI 量化" 的双重价值：本章的 AI 工具既能给诊断（AUC 0.96）也能给严重度量化（PPV %）——后者对治疗决策更关键（ICU 资源分配、预后判断）。这是 COVID-19 AI 的真正临床价值。
  • "商业化 vs. 学术研究" 早期即落地：YITU Healthcare 等中国 AI 医疗公司 COVID-19 工具快速商业化——这是中国 AI 医疗的"快响应" 特征，也反映"医疗 AI 商业化路径" 在中国的相对成熟。
  • "RT-PCR vs. CT" 的争论：CT 敏感高、特异中；RT-PCR 是金标准但有假阴。AI 在两者间是"辅助" 而非"替代"——临床决策仍需多模态。
  • "AI 万能" vs. "AI 仅辅助"：本章在 COVID-19 AI 工具上乐观（已部分商业化），在跨人群泛化、跨变种泛化、后 COVID 时代价值上保守（仍是开放问题）。这种"该强则强、该弱则弱" 是 COVID-19 AI 的工程现实。
  • COVID-19 AI 的"代际价值"：2020 年的 COVID-19 AI 是医学 AI 应对突发公共卫生事件的"标志性案例"——展示了 AI 在危机下的快速响应能力。这种"应急 AI" 范式可能成为未来类似事件的模板。
  • 与第 40、41、43-48 章的协同：本章是 COVID-19 / 感染主题专项，与 COPD（Ch 40）、ILD（Ch 41）、肺癌（Ch 43-44）、肺血管（Ch 46）等形成"胸/肺疾病 AI" 完整图景。读者通过对比可学会"AI 在不同胸/肺疾病的共性与差异"。
  • "中国速度" vs. "全球规范"：中国 COVID-19 AI 工具快速研发与商业化，但与全球监管框架（FDA / CE）的对接仍需时间。这种"中国速度" 的可持续性是开放问题。

重要参考文献

  • [X1] Zhu N, Zhang D, Wang W, et al. A novel coronavirus from patients with pneumonia in China, 2019. N Engl J Med. 2020;382(8):727-33.
  • [X2] World Health Organization. Coronavirus disease (COVID-19) situation reports. 2020.
  • [X3] Corman VM, Landt O, Kaiser M, et al. Detection of 2019-nCoV by RT-PCR. Euro Surveill. 2020;25(3):2000045.
  • [X7] Pan SJ, Yang Q. A survey on transfer learning. IEEE Trans Knowl Data Eng. 2010;22(10):1345-59.
  • [X10] Cheplygina V, de Bruijne M, Pluim JPW. Not-so-supervised: a survey of semi-supervised, multi-instance, and transfer learning in medical image analysis. Med Image Anal. 2019;54:280-96.
  • [X17] Fang M, He B, Li L, et al. CT radiomics can help screen the novel coronavirus disease (COVID-19): a preliminary study. Sci China Inf Sci. 2020;63(7):1-8.
  • [X19] Ronneberger O, Fischer P, Brox T. U-net: convolutional networks for biomedical image segmentation. MICCAI 2015.
  • [X23] Li Z, Zhong Z, Li Y, et al. From community-acquired pneumonia to COVID-19: a deep learning-based method for quantitative analysis of COVID-19 on thick-section CT scans. Eur Radiol. 2020;30(12):6828-37.
  • [X24] Zhou Z, Siddiquee MMR, Tajbakhsh N, Liang J. UNet++: redesigning skip connections to exploit multiscale features in image segmentation. IEEE Trans Med Imaging. 2019;39(6):1856-67.
  • [X25] Chen J, Wu L, Zhang J, et al. Deep learning-based model for detecting 2019 novel coronavirus pneumonia on high-resolution computed tomography: a prospective study. medRxiv. 2020.
  • [X26] Fan DP, Zhou T, Ji GP, et al. Inf-Net: automatic COVID-19 lung infection segmentation from CT images. IEEE Trans Med Imaging. 2020;39(8):2626-37.
  • [X32] Wang S, Zha Y, Li W, et al. A fully automatic deep learning system for COVID-19 diagnostic and prognostic analysis. Nat Commun. 2020;11(1):4285.
  • [X33] Li L, Qin L, Xu Z, et al. Using artificial intelligence to detect COVID-19 and community-acquired pneumonia based on pulmonary CT: evaluation of the diagnostic accuracy. Radiology. 2020;296(2):E65-71.
  • [X34] Wang S, Kang B, Ma J, et al. A deep learning algorithm using CT images to screen for coronavirus disease (COVID-19). Eur Radiol. 2021;31(8):6096-104.