2020年2月17日，MedRxiv刊登了中国抗癌协会肿瘤人工智能专业委员会主任委员、天津医科大学肿瘤医院徐波教授团队与国家超级计算天津中心团队的预印版学术论文，介绍了双方合作研发的一个利用CT图像辅助诊断新型冠状病毒肺炎的人工智能模型。该模型鉴别新冠肺炎与其他病毒性肺炎的总准确度可达83%，且快速高效。

　　快速准确地鉴别新冠肺炎疑似病例是否真的是感染者是控制新冠肺炎传播的关键步骤。以核酸检测为代表的实验室病原性检测是诊断新冠肺炎的金标准，但由于样本的不稳定性等原因，其敏感性只能达到30-50%，且检测只能在指定的机构进行。计算机断层扫描（CT）也是新冠肺炎的主要诊断工具。虽然典型的CT图像可能有助于早期筛查疑似病例，但由于各种病毒性肺炎的图像比较相似，影像科医生难以通过肉眼直接判断。

　　徐波教授团队联合国家超算中心天河超级计算机平台，收集了来自全国多中心的453张病毒性肺炎患者的CT图像，采用人工智能深度学习技术对新冠肺炎和其他病毒性肺炎的CT图像进行分析鉴别。研究人员改良了Inception迁移学习模型，建立了新的算法，经过数据集的训练和组内及组间验证，模型鉴别新冠肺炎的总准确率可达83%，特异性为80.5%，灵敏度为84%。这个AI+CT模型初步显示出其在辅助诊断新冠肺炎上的优势。

　　上图为深度学习算法框架图。对于患者的CT图像，研究人员将随机选择感兴趣区域（ROIs）并通过Inception网络提取特征并进行预测。

　　此外，AI+CT模型可以显著提高影像科医师的工作效率和新冠肺炎的诊断效率。相比于影像医师约20分钟/例及核酸检测的总耗时24-48小时，AI+CT模型的检测分析只需要2秒/例，可在一个共享网络平台进行，生物安全性高，成本更低。

　　目前国家超算天津中心天河超级计算机平台已将该人工智能诊断系上线。作为一个科研项目，该模型将持续扩大数据量以进行优化。相信随着进一步优化和测试集的包含更多数据，可以进一步提高准确性、特异性和灵敏度。

　　模型效果图：