近期，自动化系冯建江副教授课题组与武汉协和医院放射科史河水教授团队紧密合作，研发成功了基于CT影像的新冠肺炎AI鉴别诊断系统，能准确区分新冠肺炎、甲乙型流感肺炎、非病毒性肺炎和非肺炎四种类别。该系统在大规模测试集上取得了97.81%的AUC值（曲线下面积），在国内和国外的两个独立测试集上也达到了92.99%和93.25%的AUC值。
新型冠状病毒引起的肺炎（COVID-19）迄今至少已造成全球4千万人感染，111万人死亡。为了防控疫情，并及时治疗患者，精准快速的诊断技术是关键。胸部CT影像能直观显示肺部感染状况，是新冠肺炎诊断的主要成像技术。疫情爆发以来，研究人员研制出多种针对新冠肺炎CT的人工智能诊断技术，在新冠肺炎与非肺炎的区分上已具有较高的准确率。而如何利用CT进一步细分不同类型的肺炎，尚未得到充分的研究。
随着流感季的到来，精确鉴别流感肺炎与新冠肺炎成为了非常关键的问题。由于不同类型肺炎在CT表现上具有很多共性之处，尤其是新冠肺炎与流感肺炎之间的相似性很高，仅利用CT对它们进行鉴别，即使对于经验丰富的放射科医生而言也有很大难度。如何利用人工智能和大数据解决此问题，成为医学影像研究者高度关注的问题。
新冠肺炎AI鉴别诊断系统
AI诊断与专家诊断在大规模新冠肺炎测试集上的性能对比
本项研究为利用CT准确判断新冠和甲乙流增加了可行性的证据，使AI+CT的方案有望成为鉴别方案之一。在与5位一线医生的诊断比较实验中，AI系统在区分新冠肺炎与其他两种肺炎方面，普遍超过了5位医生的水平。在冬季流感季，甲乙型流感可能再次爆发，准确的诊断对于防控新冠和甲乙型流感都十分重要。
利用开发的AI诊断工具，研究组对大规模数据集开展了亚组分析。通过对不同人群（年龄、性别等）的诊断性能分析，发现年龄对诊断性能存在较大的影响，并推测这一结论与高龄组的肺部病变范围较大有关。研究组还系统对比了X光和CT的诊断特性，验证了CT相比X光的性能优势，但也发现在CT运动伪影较大的情况下，X光有更准确的结果。这为优化肺炎患者的影像检查方案提供了参考。
三类肺炎样本与非肺炎样本的特征空间分布
2020年10月，该工作在《Nature Communications》上发表。金成（自动化系2012级博士生，导师周杰教授）、陈炜祥（自动化系2017级博士生，导师周杰教授）、曹玉坤（武汉协和医院）为论文共同第一作者，冯建江副教授与史河水教授为共同通讯作者。该工作受到了浙江大学新冠肺炎防控特别基金的资助。
Jin, C., Chen, W., Cao, Y. et al. Development and evaluation of an artificial intelligence system for COVID-19 diagnosis. Nature Communications 11, 5088 (2020).
