随着SARS-CoV-2传播程度的持续不确定性以及SARS-CoV-2变种的出现，早期诊断仍将是COVID-19预防策略的核心。在有症状的患者中及时发现COVID-19，不仅可以减少传播，还可以进行适当的治疗以避免病情的进一步进展。虽然逆转录聚合酶链式反应（RT-PCR）检测仍然是诊断COVID-19的黄金标准，但检测周转时间长、检测和劳动力成本高以及检测试剂短缺都阻碍了RT-PCR检测的获得和使用。事实上，降低分析灵敏度以换取缩短检测周转时间和增加检测的可及性，可以非常有效地限制COVID-19的传播。因此，迫切需要可获得的、准确的和具有成本效益的COVID-19筛查工具的提出，以便对有症状的患者进行更好的分流，并优先对那些检测前具有和可能传播COVID-19的高概率患者进行确认性RT-PCR检测。

虽然计算机断层扫描（CT）成像已被常规用于COVID-19的检测和疾病定性，但在临床上，CT并不适用于大多数轻度疾病患者。相对而言，胸片（CXR）通常是对有急性呼吸道症状的患者进行初步评估的常规手段，且价格便宜、辐射剂量低，而且在绝大多数的医院中都可以获得。因此，CXR有可能被用来帮助有症状的患者检测COVID-19的存在。但实际上，相当一部分患者缺乏可用于区分其与其他呼吸道感染的特征性CXR表现，因此在CXR上检测COVID-19十分困难。

最近的研究表明，采用基于计算机视觉的深度神经网络的人工智能（AI）模型可以检测和学习CXR上的COVID-19特征。虽然十分具有临床价值，但许多人工智能模型存在训练数据集的偏差和较差的可推广性。此外，由于许多研究集中在检测健康人群中的COVID-19可能，没有解决更多的临床相关问题。因此，这些人工智能模型在临床相关环境中的真正表现仍然是未知的。

为了应对这些挑战，近日，发表在European Radiology杂志的一项研究使用COVID-19 CXR AI预测模型（RadGenX）对有症状的怀疑患有COVID-19的患者进行了验证评估，为进一步实现以CXR为基础的COVID-19快速准确诊断提供了支持。

本研究在168850张CXR上对深度学习模型（RadGenX）进行训练，并在9个研究地点（美国、意大利和香港特区）的有症状患者的大型国际测试集和美国、欧洲的两个公共数据集上得到验证。性能由受试者工作特征曲线下的面积（AUC）来衡量。进行了引证模拟，以评估COVID-19疾病流行率的潜在范围（3.33%至33.3%）的性能。在852个病例的独立测试集上与放射科医师进行了比较。 

RadGenX在4倍交叉验证中取得了0.89的AUC，在5894名患者的独立测试群中取得了0.79（95%CI 0.78-0.80）的AUC。德隆测试显示，来自不同地区（p < 0.01）、疾病严重程度（p < 0.001）、性别（p < 0.001）和年龄（p = 0.03）的患者的模型性能存在统计差异。患病率模拟显示，阴性预测值从33.3%患病率时的86.1%增加到98.5%。与放射科医生相比，McNemar测试显示该模型具有更高的敏感性（p < 0.001），但特异性较低（p < 0.001）。 

图 AI模型的性能。A 来自4倍交叉验证的RadGenX人工智能模型的ROC曲线；B RadGenX在合并的4倍交叉验证上的ROC曲线

本研究验证了一个通过CXR预测有症状患者COVID-19状态的人工智能模型，同时提供了建模分析以显示该模型在各种模拟的COVID-19疾病流行水平下的表现，并将其与放射科医生进行了比较，作为PCR检测的辅助诊断工具具有良好的灵敏度和高NPV，这在COVID-19流行的资源匮乏地区意义重大。

原文出处：

Michael D Kuo,Keith W H Chiu,David S Wang,et al.Multi-center validation of an artificial intelligence system for detection of COVID-19 on chest radiographs in symptomatic patients.DOI:10.1007/s00330-022-08969-z