基于机器学习的多种分类模型在新型冠状病毒肺炎与社区获得性肺炎鉴别诊断中的效能

田斌， 余晖， 任基刚， 汪汉林， 徐井旭， 黄陈翠

目前新型冠状病毒肺炎(corona virus disease 2019,COVID-19)仍在全球广泛传播,COVID-19的筛查和确诊主要依靠核酸检测，胸部CT作为一种重要的诊断手段不容忽视，已成为筛选、诊断和评估新型冠状病毒肺炎严重程度的重要工具[1]。因为COVID-19患者首次聚合酶链式反应(reverse transcription poly-merase chain reaction,RT-PCR)检查的平均时间为(30±13)h[2]，因此，胸部CT检查不仅对COVID-19的诊断起到预警作用[3,4]，还可以在等待RT-PCR结果时将可疑患者分流、隔离，为疫情的防控争取时间。

因此，COVID-19患者的诊断与鉴别诊断非常重要，其早期诊断可避免在等待核酸检测结果的过程中造成进一步的蔓延和播散。由于传统的人工阅片方法鉴别诊断COVID-19与社区获得性肺炎(community acquired pneumonia，CAP)具有局限性，所以将人工智能(artificial intelligence,AI)技术用于COVID-19与CAP的鉴别诊断成为当下研究的热点。部分学者运用线性支持向量机模型(linearSVM)鉴别诊断COVID-19与CAP，结果表明linearSVM模型可以有效鉴别COVID-19与CAP[5]。然而，机器学习的分类模型种类繁多，给应用的选择带来一定困难。此外，目前并不清楚其它分类模型是否也能有效鉴别COVID-19与CAP。因此，本研究通过应用14种常用的机器学习分类模型鉴别COVID-19和CAP，旨在探讨鉴别COVID-19与CAP效能最高的机器学习分类模型，为临床医师的早期干预提供更充分的影像学依据。

材料与方法

1.病例资料

搜集经临床确诊的COVID-19患者86例和CAP患者100例，包括其胸部CT图像及临床资料。

COVID-19患者纳入标准：①至少两次核酸检测阳性的新型冠状病毒肺炎患者；②患病期间有至少一次胸部CT扫描，图像含有薄层图像(层厚≤3 mm)，且肺部有炎性CT表现。……