這項發表在《自然通訊》上的研究表明，這項新技術還可以克服當前測試的一些挑戰。

研究人員證明，可以訓練AI算法在計算機斷層掃描（CT）掃描中對COVID-19肺炎進行分類，準確率高達90%，并且可以正確地識別出84%的陽性病例和93%的陰性病例。

與經常使用的逆轉錄聚合酶鏈反應或RT-PCR測試相比，CT掃描可更深入地了解COVID-19的診斷和進展。這些測試具有較高的假陰性率，處理延遲和其他挑戰。

CT掃描的另一個好處是，它們可以在沒有癥狀的人中，有早期癥狀的人中，在疾病嚴重期間以及癥狀消失后檢測出COVID-19。

但是，并不總是建議將CT作為COVID-19的診斷工具，因為這種疾病在掃描中通常看起來與流感相關的肺炎相似。

UCF計算機科學系助理教授Ulas Bagci說，新開發的UCF聯合算法可以通過準確識別COVID-19病例并將其與流行性感冒區分開來解決此問題，從而為醫生提供了巨大的潛在幫助。 。

Bagci是該研究的合著者，并幫助領導了該研究。

Bagci說：“我們證明了基于深度學習的AI方法可以用作幫助醫療保健系統和患者的標準化和客觀的工具。”“它可以在非常特殊的有限人群中用作補充測試工具，如果不幸再次爆發，可以迅速大規模使用。”

Bagci是開發AI的專家，可以協助醫生，包括在CT掃描中使用AI檢測胰腺癌和肺癌。

他還擁有兩個大型的美國國立衛生研究院（National Institutes of Health）贈款，探討這些主題，包括250萬美元用于深度學習檢查胰腺囊性腫瘤，以及200萬美元用于研究人工智能在肺癌篩查和診斷中的應用。

為了進行這項研究，研究人員訓練了一種計算機算法來識別來自中國，日本和意大利的1，280名多國患者的肺部CT掃描中的COVID-19。

然后，他們在1，337例肺部疾病（從COVID-19到癌癥和非COVID肺炎）的CT掃描中測試了該算法。

當他們將計算機的診斷結果與醫生確認的結果進行比較時，他們發現該算法非常擅長準確診斷肺中的COVID-19肺炎并將其與其他疾病區分開，特別是在疾病發展的早期階段檢查CT掃描時。

Bagci說：“我們證明了健壯的AI模型可以在獨立的測試人群中達到90%的準確性，在與非COVID-19相關的肺炎中保持高特異性，并能為看不見的患者人群和中心提供足夠的通用性，” Bagci說。

UCF研究人員與研究合著者Baris Turkbey和Bradford J. Wood長期合作。Turkbey是美國國立衛生研究院國家癌癥研究所分子影像學分會的副研究醫師，伍德是美國國立衛生研究院介入腫瘤學中心的主任和美國國立衛生研究院臨床中心的介入放射學主任。

這項研究得到了美國國立衛生研究院介入腫瘤學中心和國立衛生研究院的院內研究計劃，院內NIH贈款，NIH院內靶向抗COVID-19計劃，美國國立癌癥研究所和NIH的資助。

Bagci在英國諾丁漢大學獲得計算機科學博士學位，并于2015年加入UCF的計算機科學系（隸屬于工程和計算機科學學院）。他是UCF科學應用國際公司（SAIC）的主席。計算機科學和UCF計算機視覺研究中心的教職員工。上汽集團是一家位于弗吉尼亞州的政府支持和服務公司。

責任編輯：lq