用于 COVID-19 诊断的决策支持系统算法

COVID-19 是由一种新发现的冠状病毒引起的传染病，该冠状病毒于 2019 年 12 月在中国武汉首次被发现。 然后，新型冠状病毒爆发于 2020 年 3 月 11 日被世界卫生组织 (WHO) 描述并宣布为大流行病。

逆转录-聚合酶链反应 (RT-PCR) 目前是诊断 COVID-19 的金标准测试。 然而，由于其高假阴性率 (%10-50)，诊断和治疗决定不仅仅取决于 RT-PCR。 患者的临床表现和放射学检查结果也很重要。 然而，临床表现和计算机断层扫描 (CT) 结果都不是 COVID-19 特有的。 由于这些挑战，疾病的诊断和社区健康的保护变得更加困难。 本研究的研究人员假设基于深度学习的决策支持系统可能有助于 COVID-19 的明确诊断。 目的是根据患者的临床表现、实验室和 CT 结果以及 RT-PCR 数据开发基于深度学习的决策支持系统算法。 此前，开发了使用 Inception、UNet、ResNet 等广为人知的深度神经网络架构的深度学习算法。 然而，所有这些研究都是基于 CT 结果。 结合患者的临床、放射学和实验室结果的文献中没有任何深度学习研究。

该项目基于将从卫生部获得的 COVID-19 患者的可用数据。 然后将评估数据的相关性和可靠性，并标记以供机器训练。 在数据匿名化之后，数据将根据预先确定的包含排除标准进行处理。 胸部 CT 数据将被标记为典型/不确定/非典型/COVID-19 肺炎阴性。 此外，将标记患有已知非 COVID-19 疾病的患者的 CT 图像以供机器训练。 然后，发烧、淋巴细胞计数、中性粒细胞与淋巴细胞的比率、联系信息、RT-PCR 结果将被标记。 随后，患者将被标记，机器将借助这些分组和标记的数据使用深度学习方法进行训练。 在训练阶段之后，将测试算法，如果机器达到目标特异性和灵敏度，将测试原型。 然后，原型将被嵌入到医院软件系统中。 该软件和算法将作为临床医生的早期预警系统，并提供更好的诊断率，尤其是在减少假阴性结果的情况下。 不能仅通过诊断和隔离的人数或提供的治疗来衡量大流行的影响。 大流行不仅影响社区健康，还影响个人的心理状态、教育、教学方法、工作模式、日常生活方式、生产者/消费者行为、供需平衡；换句话说，生活的每一个领域。 最重要的是，大流行会造成难以逆转的长期损害。 该软件将提高诊断成功率，有助于控制大流行并最大限度地减少上述附带损害。 研究人员认为，该项目结束时生产的产品将对控制预期发生的二次COVID-19浪潮大有裨益。