COVID-19人工智能辅助CT成像系统综述与荟萃分析

医学信息学解锁24（2021）100591人工智能辅助CT成像在COVID-19疾病中：一项系统综述和荟萃分析Meisam Moezzia，Kiarash Shirbandib，**，Hassan Kiani Shahvandi c，Babak Arjmand d，Fakher Rahime，*a急诊医学系，Ahvaz Jundishapur医科大学，Ahvaz，伊朗b伊朗阿瓦士，阿瓦士Jundishapur医科大学国际事务部。c伊朗阿瓦士，阿瓦士Jundishapur医科大学医学院，联合健康科学。d伊朗德黑兰医科大学e伊朗阿瓦士，阿瓦士Jundishapur医科大学，地中海贫血和血红蛋白病研究中心，健康研究所A R T I C L EI N FO保留字：人工智能机器学习深度学习呼吸道感染冠状病毒感染COVID-19计算机断层扫描A B S T R A C T人工智能（AI）系统在支持决策方面变得至关重要。本系统性综述总结了目前关于人工智能辅助CT扫描预测COVID-19准确性的所有数据。系统检索ISI Web of Science、Cochrane Library、PubMed、Scopus、CINAHL、Science Direct、PROSPERO和EMBASE。我们使用修订后的诊断准确性研究质量评估（QUADAS-2）工具评估所有纳入研究分层受试者工作特征汇总（HSROC）曲线和汇总受试者工作特征（SROC）曲线已经实现。计算曲线下面积（AUC）以确定诊断准确性。最终，选择了36项研究（共39，246个图像数据）纳入最终荟萃分析。AI的合并灵敏度为0.90（95% CI，0.90-0.91 ） ， 特 异 性 为 0.91 （ 95% CI ， 0.90-0.92 ） ， AUC 为 0.96（ 95% CI ， 0.91-0.98） 。对于深度学习（DL）方法，合并灵敏度为0.90（95% CI，0.90-0.91），特异性为0.88（95% CI，0.87-0.88），AUC为0.96（95% CI，0.93-0.97）。在机器学习（ML）的情况下，合并的灵敏度为0.90（95% CI，0.90-0.91），特异性为0.95（95% CI，0.94-0.95），AUC为0.97（95% CI，0.94-0.95）。CI，0.96-0.99）。COVID-19患者的AI有助于识别肺部受累的症状。由于可能存在的选择偏倚和现有研究的回顾性存在，需要更多的前瞻性实时试验来确认人工智能在高和快速COVID-19 诊断中的作用。1. 介绍据报道，2019年新型冠状病毒（2019-nCoV，引起COVID-19疾病）是2019年底中国湖北省武汉市肺炎疫情的原因[1]。该病毒与严重急性呼吸综合征冠状病毒2（SAR-S-CoV-2）相关，后者是一组导致人类呼吸道、胃肠道和神经系统疾病的β病毒。病毒传播似乎主要通过呼吸道飞沫进行[2]。COVID-19患者通常表现为呼吸困难、咳嗽和发烧。COVID-19相关的细胞因子风暴和先天性免疫系统过度激活可导致急性肺损伤（ALI）和诱发急性呼吸窘迫综合征（ARDS），尤其是在高血压患者中[3]。细胞因子风暴诱导肺组织中透明质酸（HA）分子的产生，从而导致进行性纤维化、组织僵硬和肺功能受损[4]。SARS-CoV-2通过与血管紧张素转换酶2（ACE 2）受体的刺突（S）糖蛋白结合进入细胞[5，6]。因此，肺部受累在患者中很常见，建议将胸部X射线摄影（CXR）或计算机断层摄影（CT扫描）等成像技术作为一线诊断工具[7]。临床证实的放射学表现，如单侧* 通讯作者。** 通讯作者。国际事务部，Ahvaz Jundishapur医科大学，Ahvaz，伊朗。电子邮件地址：Meisam. yahoo.com（M.Moezzi），Shirbandi. gmail.com（K.Shirbandi），Hassankiani1398@gmail.com（H.K.Shahvandi），arjmand_itb@yahoo.com（B. Arjmand），bioinfo2003@gmail.com（F.Rahim）。https://doi.org/10.1016/j.imu.2021.100591接收日期：2021年3月13日;接收日期：2021年4月17日;接受日期：2021年4月29日在线预订2021年2352-9148/© 2021由Elsevier Ltd.发布这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imuM. Moezzi等人医学信息学解锁24（2021）1005912缩写2019-nCoV新冠状病毒-2019SARS-CoV-2严重急性呼吸系统综合征冠状病毒2型COVID-19冠状病毒疾病-2019急性肺损伤急性呼吸窘迫综合征HA透明质酸ACE 2血管紧张素转换酶2CXR胸部X线摄影ct扫描计算机断层扫描GGO磨玻璃不透明度ML：DL：AUCCIFNTP机器学习深度学习假阴性的假阳性真阴性AI人工智能QUADAS-2诊断准确性质量评估研究2HSROC：流行病学观察性研究的分层汇总受试者-操作特征MOOSE荟萃分析PRISMA系统性综述的首选报告项目和荟萃分析真阳性Fig. 1. PRISMA 2009流程图。M. Moezzi等人医学信息学解锁24（2021）1005913表1纳入的COVID-19患者各种模型研究的特征国家/ID国家EX pert放射科医生AI参考胸部CT影像诊断因素作为对照模型标准阳性健康样本准确性，%AUROC PPV NPV Sen.规格Kelei He等人，2021年[1]Ziwei Zhu等人，2021年[2]弗鲁迪·沙阿例如，2021年[3]卡洛斯·基罗斯例如，2021 [4]H Alshazly等人，2021年[5]Mohit Agarwal等人，2021年[6]Xi Fang等人，2021年[7]库马尔·米什拉例如，2020 [8]Jun Chen等，2020年[9]Liang Sun等人，2020年[10]S Carvalho等人，2020年[11]肖禄山例如，2020年[12]Kimura-Sandoval等人，2020年[13]Hui-Bin Tan等人，2020年[14]付丽萍等，2020年[15]张康等，2020年[16]蔡泉等人，2020年[17]D Javor等人，2020年[18]Daowei Li等人，2020年[19]Hoon Ko等人，2020年[20]雪烟梅等，2020年[21]王兴刚例如，2020年[22]吴向军例如，2020年[23]Shuo Wang等人，2020年[24]林立等人，2020年[25]A. Harmon等人，2020年[26]刘成龙例如，2020年[27]哈里森十世白例如，2020年[28]A. 萨贾尼例如，2020年[29]Deepika Selvaraj等人，2020年[30]Yuehua Li等人，2020年[31]M. Moezzi等人医学信息学解锁24（2021）1005914中国是DL RT-PCR666 NA 0. 985 0.991 0. 799 NA 0.783 NA中国是DL RT-PCR687 395 0. 93 0. 93NA NA 0. 93 0. 92印度是DL RT-PCR 738 NA 0.821 NA NANA NA澳大利亚是ML RT-PCR 346 NANA 0. 926 NANA 0. 8180.901德国是DL RT-PCR1252 1230 0. 994NA NA 0. 998 0.996印度是DL RT-PCR705 990 0. 994 0.991 NA NA 0. 99 0.985ML0.9940.988NANA0.990.985DL0.7180.714NANA0.8020.630DL 0.915 0.913 NA NA 0.938 0.888DL 0.859 0.852 NA NA 0.895 0.810DL 0.874 0.871 NA NA 0.915 0.826DL 0.909 0.893 NA NA 0.937 0.864DL 0.87 0.861 NA NA 0.914 0.815ML 0.958 0.948 NA NA 0.969 0.943美国是DL RT-PCR 193 NA NA 0. 813 NA NA NA印度是DL RT-PCR 360 397 0. 8834 0. 8832 NA NA 0. 88130. 9051中国是DL RT-PCR 636 691 0. 9524 NA NA NA 1 0. 9355中国是DL RT-PCR 1495 1027 0. 9179 0. 9635 NA NA 0. 9305 0. 8995葡萄牙是DL RT-PCR 130 NA 0. 82 0. 90 NA NA 0. 80 0. 86中国是DL RT-PCR 408 NA 0. 974 0. 987 NA NA NA墨西哥是AI RT-PCR 166 NA NA 0. 88 NA NA 0. 740. 91中国是ML RT-PCR NA NA NA 0. 95 NA NA 0. 987 0. 984中国是ML RT-PCR 64 NA NA 0. 833 NA NA 0. 8095 0. 7442中国是AI RT-PCR 752 697. 08411 0. 9050 NA NA 0. 8667 0. 8226中国是ML RT-PCR 81 122 0. 709 0. 811 NA NA 0. 765 0. 625奥地利是DL RT-PCR 3102 NA NA 0. 956 NA NA 0. 844 0. 933中国是DL RT-PCR 10 36 NA 0. 68 NA NANA韩国是DL RT-PCR 337 998 0. 9987 1 NA NA 0. 9958 1美国是DL RT-PCR 419 486 0.796 0.86 NA NA 0.836 0.759中国是DL RT-PCR 313 229 0. 901 0. 959 NA NA 0. 95 0. 95中国是DL RT-PCR 294 101 0. 819 0. 76 NA NA 0. 811 0. 615中国是DL RT-PCR 560 149 0. 8124 0. 90 NA NA 0. 7893 0. 8993中国是DL RT-PCR 1296 1325 NA 0. 96 NA 0. 90 0. 96美国是AI RT-PCR 1029 1695 0. 908 0. 949 NA NA 0. 84 0. 93中国是ML RT-PCR 73 27 0. 9416 0. 99 NA NA 0. 8862 1中国是AI RT-PCR 521 665 0. 96 0. 95 NA NA 0. 95 0. 96希腊是ML RT-PCR 349 397 0. 932 0. 94 NA NA 0. 8831 0. 8831印度是ML RT-PCR 50 NA 0. 886 0. 8723 NA NA 0. 5549 0. 8988最大值0.833 0.9107不适用不适用0.4025 0.9735最大值0.882 0.8187不适用不适用0.5211 0.8950ML 0.93 0.94 NA NA 0.756 0.9593DL 0.938 0.9427 NA NA 0.7678 0.9285中国是DL RT-PCR 148 NA 0. 626 0. 660 NA NA 0. 5897 0. 6429（接下页）M. Moezzi等人医学信息学解锁24（2021）1005915表1（续）国家/ID国家EX pert放射科医生AI参考胸部CT影像诊断因素%假阳性（FP）、假阴性（FN）、真阴性（TN）、真阳性（TP）、曲线下面积（AUC）、深度学习（DL）、机器学习（ML）、卷积神经网络（CNN）、人工神经网络（ANN）、决策树（DT）和随机森林（RF）、人工神经网络（ANN）、基于树的管道优化工具（TPOT）、袋装树集成（EBT）、支持向量机（SVM）、高斯朴素贝叶斯（GNB）、逻辑回归（LR）、深度神经网络（DNN）、图二. AI和CT扫描检测诊断性能的受试者工作特征（SROC）曲线总结。显著差异在95%置信区间时存在图三. DL和CT扫描检测诊断性能的受试者工作特征（SROC）曲线总结。显著差异胸部CT扫描中的双侧多叶浸润、磨玻璃样阴影（GGO）和外周浸润在COVID-19疾病的诊断中具有重要作用[8，9]。在感染的早期阶段，CT扫描通常没有肺部受累的迹象。在某些情况下，最多两个肺叶以GGO、实变或结节的形式轻微受累，小于每个肺叶体积的三分之一，特别是在外周区域[7，10]。由于肺部CT图像的去除和大量及其复杂和不均匀的结构，诊断患者图像中的血管结节具有挑战性因此，使用计算机辅助技术，特别是人工智能（AI）系统，在支持决策方面变得更加重要[12]。人工智能具有改善临床决策的巨大潜力;然而，此类系统由于医疗决策中变量的丰富性和干扰性，医生可以使用人工智能系统做出更快、更有效的决策，并花更多时间评估决策。到目前为止，只有两个系统的评价和荟萃分析，在人工智能上进行的新冠肺炎研究Li等人对151项已发表的研究进行了系统性综述和荟萃分析，以使用临床和病理之间的相关性生成更准确的COVID-19诊断模型。 变量， 聚类 COVID-19 患者 成 子类型和在95%置信区间时存在生成用于仅基于临床变量区分COVID-19患者和流感患者的计算分类模型[14]。Michelson等人提出了一种回答临床查询的方法，称为快速荟萃分析（RMA）。与传统的荟萃分析不同，它是一种基于人工智能的方法，具有快速的生产时间和合理的数据质量保证。他们对11项研究进行了RMA，并估计了COVID-19患者中羟氯喹副作用眼毒性的发生率[15]。因此，这项荟萃分析的目的是系统地评估和总结目前所有关于人工智能辅助CT扫描对COVID-19的预测准确性的数据。2. 材料和方法2.1. 方案和登记本研究是根据流行病学观察性研究的荟萃分析（MOOSE）[16]和系统性综述和荟萃分析的首选报告项目（PRISMA）[17]以及诊断准确性试验的综合证据（SEDATE）[18]指南进行的。参与骗局控制模型标准积极健康样品准确性，AUROCPPVNPV参议员规格费山等人，中国是的MLRT-PCR249NA0.916NANANANANA2020年[32]王明焕中国是的DLRT-PCR1647800NA0.9530.7900.9480.9230.851例如，2020年[33]H–W Ren et中国是的AIRT-PCR58NANA0.740NANA0.9120.5882020年[34]张莉等，中国是的DLRT-PCR204164NA0.97NANANANA2020年[35]Jiantao Pu等，美国是的DLRT-PCR151498NA0.70NANANANA2020年[36]Fengjun Liu等人，美国是的AIRT-PCR134115NA0.84NANANANA2020年[37]M. Moezzi等人医学信息学解锁24（2021）1005916≥见图4。ML和CT扫描检测的诊断性能的总结受试者工作特征（SROC）曲线。当95%置信区间时，存在显著性差异2.2. 资格标准研究表明，基于RT-PCR结果的COVID-19患者确诊病例的肺部受累，无语言限制。我们排除了不符合该研究概念框架的论文，这些论文集中在其他类型的传染病上。2.3. 信息源我 们 系 统 性 地 检 索 了 ISI Web of Science 、 Cochrane Li-2019 、PubMed、Scopus、CINAHL、Science Direct、PROSPERO和EMBASE，以获得2020年至2021年期间发表的评估不同AI辅助CT扫描模型预测COVID-19的诊断准确性的研究。2.4. 搜索两名评审员（K.SH和F.R）使用医学主题词（MeSh）进行检索，术语包括2.5. 个概况性指标我们期望的结果是灵敏度、特异性、阳性预测值（PPV）、阴性预测值（NPV）;没有提供足够信息来计算真阳性（TP，AI预测的真正COVID-19为COVID-19）、假阳性（FP，非COVID-19预测为COVID-19）、真阴性（TN，非COVID-19）的研究。与健康对照（HC）相比，在患者中检测COVID-19时，AI的假阴性（FN，COVID-19预测为非COVID-19）和假阴性（FN，COVID-19预测为非COVID-19）值。当灵敏度和特异性无法直接获得时，我们根据以下公式计算它们：灵敏度=TP/（TP+ FN），特异性=TN/（FP+ TN）。2.6. 研究间偏倚风险COVID-19检测荟萃分析的数据提取基于原始研究中的标准定义。信息包括发表年份、研究开展国家、研究类型、检索的患者数量。我们使用修订后的诊断准确性研究质量评估（QUA-DAS-2）工具，由两名独立评审员（K.SH. ，F.R. ）通过讨论和第三位评审员（B.A.）的参与解决了任何分歧。），和审查员[K.SH.，F.R. ]独立评估第一篇纳入的文章。四个领域，即病人选择，指标测试，参考标准，流量和时间，进行了评估。在患者选择、索引测试和参考标准领域评估了两个类别，包括偏倚风险和适用性。在流量和时间域中评估偏倚风险2.7. 额外分析我们使用随机效应的双变量模型来估计灵敏度、准确度和95%置信区间（CI）。绘制了分层汇总受试者工作特征（HSROC）曲线和汇总受试者工作特征（SROC）曲线。所有实验均以HSROC曲线作为圆形观察并绘图。概览点由95%可信区域（95% CI）包围的点表示。计算曲线下面积（AUC）以确定诊断准确性。AUC接近1.0将意味着出色的结果，如果AUC接近0.5，则表明性能受损。在众多亚组中，我们比较了AUC的95%CI。我们使用两个亚组之间的非重叠95% CI 以识别统计学上相关的变化。的 变异性并测量了所纳入研究的阈值效应。通常，p 0.1的卡方检验<显示CochranQ统计和I2检验具有显著异质性。灵敏度和FP率之间的Spearman相关系数r 0.6通常表明存在显著的阈值影响。我们进行了使用Meta-DiSc软件版本1.4进行统计研究[19]，使用Review Manager5.4（RevMan 5.4）[20]进行所有研究的质量和潜在偏倚3. 结果3.1. 研究选择和特征最后，在初始检索中检索到886项研究，删除了223项重复研究。在审查标题、摘要和全文后，最终选择了36项研究纳入Meta分析[21所有纳入的研究均为回顾性研究，所有研究都是基于记录图像。根据入组图像的数量，纳入了通过分析分类的32，857张图像（19，623张COVID-19图像和13，234张健康图像）。基于神经网络的AI算法在许多研究文章中建立[21在纳入的研究中，选择了29个模型用于DL辅助检测预测COVID-19的荟萃分析[21，22，25以及用于预测COVID-19的ML辅助检测的14个模型[21，24，28，31，38，43，45，46，48，49]（表1）。3.2. 研究内偏倚风险在最后一部分中，31项研究在患者选择方面的偏倚风险较低，而5项研究的偏倚风险较高（补充图1）。 ①的人）。在患者选择方面，两项研究[21，46]使用了多种测试，包括（DL和ML）。总体而言，至少在以下研究中存在高风险[39，44，48，55，58]M. Moezzi等人医学信息学解锁24（2021）100591（接下页）7表2使用AI模型通过压缩胸部CT图像检测和分类COVID-19的详细信息/ ab initio患者卡洛斯·基罗斯例如，2021年[4]ML CT切片与<3mm2肺组织患者肺部COVID 19的分割和严重程度患者EfficientNetB7 U-Net5重重复分层交叉验证- -4层全连接架构H Alshazly等人，2021年[5]Mohit Agarwal等人，2021年[6]DL胸部CT扫描DL、ML胸部 CT扫描COVID 19的肺部分割和严重程度评估患者肺部COVID 19的分割和严重程度患者ResNet50和ResNet101CNN，RF，VGG16，DenseNet121，DenseNet169，DenseNet201，MobileNet，ANN，DTK折交叉验证K折交叉验证大约只有600张图片，测试文件夹中的图片少于200张K10协议（90%培训和10%测试）迁移学习以检测COVID-19患者;哪些数据是稀缺的VGG16，DenseNet121、DenseNet169、DenseNet201和MobileNet深度CNN架构因此，基于CNN总共有7层，主要是为了简单起见Xi Fang等人，2021年[7]DL胸部CT扫描COVID 19的肺部分割和严重程度评估患者U-Net跨数据集验证（A站培训，B站测试; B站培训，A站测试）五个都做了标记71个使用胸部成像平台从部位A获得的CT容积库马尔·米什拉例如，2020年[8]Jun Chen等人，2020年[9]Liang Sun等人，2020年[10]DL胸部CT扫描DL胸部 CT扫描DL胸部 CT扫描COVID 19的肺部分割和严重程度评估患者肺部COVID 19的分割和严重程度患者肺部COVID 19的分割和严重程度患者ResNet 50-分割80%的数据用于训练目的（训练数据），其余用于测试（测试数据）UNet++-选择了35，355张图像，并将其分为训练和回顾性测试数据集。VB-Net-自适应特征选择引导深度森林（AFS-DF）-探讨各种深度的CNN架构-UNet++由编码器和解码器组成，通过一系列嵌套的密集卷积块连接。-选择导向深林S Carvalho等人，2020年[11]DL胸部CT扫描COVID 19的肺部分割和严重程度评估患者ANN交叉熵最小化验证（150个ROI）和测试（150个ROI）-单隐层神经元架构DL肺分割ResNet34五重交叉验证国家/ID方法输入输出算法名称绩效评价培训/测试拆分迁移学习培训网络架构Kelei He等人，DL的肺多任务多五重十字架一个子集作为协同一个袋子（由一个2021年[1]原始3D分割实例U-Net验证测试集（20%）/4学习二维图像CT和严重程度（M2UNet）的策略组合子集补丁）作为输入图像评估构建数据COVID19训练集（70%）和M2UNet采用患者验证集（10%）编码模块，Ziwei Zhu等人，DL的肺Keras平台训练集，一个子集作为迁移学习补丁级特征提取Imagenet数据集，2021年[2]原始3D分割基于验证集和训练集，一个子集检测新初始化CT和严重程度ResNet50测试集作为验证集，以及患者权重，输出图像评估架构一个子集作为测试集COVID-19Vruddhi Shah DL的COVID19肺ResNet-50的困惑一套训练器材，预先训练的VGG-19体系结构例如，2021年[3]原始3D分割矩阵X验证集和测试网络CT和严重程度有裂口图像评估COVID19M. Moezzi等人表2（续）医学信息学解锁24（2021）100591（接下页）8国家/ID方法输入输出算法名称性能评价培训/测试分离迁移学习/从头开始培训网络架构Lu-Shan Xiao等人，2020[12个]胸部CT扫描COVID 19的严重程度评估患者大小为3 ×224的×224（z×y ×X）ResNet34、AlexNet、VGGNet和DenseNetKimura-Sandoval等人，2020[13个国家]AI ChestCT扫描COVID 19的肺部分割和严重程度评估患者物流-Hui-Bin Tan等人，2020[14个]ML胸部CT扫描COVID 19的肺部分割和严重程度评估患者TPOT Radiomics Auto- ML模型在第一个CT图像训练集和测试集按8：2-自动ML，每个组的原始数据导入到TPOT中付丽萍等，2020年[15]ML胸部CT扫描COVID 19的肺部分割和严重程度评估患者K（K-1）/2 binary-One-leave-out cross-K（K-1）/2 binary验证张康等，2020[16个]AI ChestCT扫描COVID 19的肺部分割和严重程度评估患者ResNet-18五重交叉验证测试随机分配到训练集（80%）、内部验证集（10%）或测试集（10%）-计算机辅助诊断（CAD）用于检测COVID-19患者的蔡泉等人，2020年[17]D Javor等人，2020年[18]ML胸部CT扫描DL胸部 CT扫描COVID 19的肺部分割和严重程度评估患者肺部COVID 19的分割和严重程度患者- -与培训组或测试群组ResNet 50-分割用于训练模型和内部验证（20%的样品）- --更多图层（ResNet-101）Daowei Li等人，2020年[19]DL胸部CT扫描COVID 19的肺部分割和严重程度评估患者优网-Hoon Ko等人，2020年[20]DL胸部CT扫描COVID 19的肺部分割和严重程度评估患者ResNet-505倍交叉验证以8：2的比例随机分为训练集和测试集在以下四个预先训练的CNN最初为每个CNN架构使用预定义的权重雪烟梅等，2020[21日]DL胸部CT扫描COVID 19的肺部分割和严重程度评估患者- -Xinggang Wang等人，2020[22日]DL胸部CT扫描COVID 19的肺部分割和严重程度评估患者UNet-使用CT图像的简单2D UNet，我们的训练集-3D深感卷积神经网络检测COVID-19（DeCoVNet）。吴向军DL胸部肺ResNet50图层输出50例（10%，37例- 修改例如，2020[23日]CT扫描分割和严重程度的风险值COVID-19COVID-19，13其他肺炎）ResNet50架构评估肺炎验证集和50COVID19病例（10%，37例患者COVID-19，13其他肺炎）测试集。DL肺COVID-19网络火车和辅助训练预先训练的-分割外部设置COVID-19净至M. Moezzi等人表2（续）医学信息学解锁24（2021）100591（接下页）9/ ab initio患者COVID19患者19检测神经网络。COVID-19及社区获得性肺炎A. Harmon等人，2020年[26]AI ChestCT扫描COVID 19的肺部分割和严重程度评估患者适应AH-Net-Densnet-121为了利用3D操作（即，3D卷积）与原始2D实现刘成龙等，2020[27日]ML胸部CT扫描COVID 19的肺部分割和严重程度评估患者EBT SVM，LR，DT，KNN都是用相同的纹理特征提取- -哈里森十世Bai等人，2020[28日]A.Sakagianni等人，2020年[29]AI ChestCT扫描ML胸部 CT扫描COVID 19的肺部分割和严重程度评估患者肺部COVID 19的分割和严重程度患者EfficientNet B4-EfficientNet B4深度神经网络架构- -Deepika Selvaraj等人，2020[30个]DL、ML胸部CT扫描COVID 19的肺部分割和严重程度评估患者SVM、GNB、LR、DT、DNN使用50幅图像对训练好的网络进行测试训练点的数据集是从30幅训练图像-输入层的大小为38个神经元（38个特征），三个隐藏层，每层58个神经元，二进制分类输出层患者国家/ID方法输入输出算法名称绩效评价培训/测试拆分迁移学习培训网络架构硕王胸部和严重程度验证的COVID-19例如，2020CT评估性能数据集以[24日]扫描COVID19具体林立等人，小行星2020胸部肺COVID-19网络使用以9：1的比例- 一个受监督的深[25日]CT分割独立训练集和学习框架扫描和严重程度测试集。独立测试集（COVNet）评估COVNet= COVID-在患者层面。建立了检测Yuehua Li等人，DL胸部肺U-Net骰子- -2020年[31]CT分割系数扫描和严重程度评估COVID19费山等人，ML胸部肺VB-Net- -2020年[32]CT分割扫描和严重程度评估COVID19患者王明焕DL胸部肺U-Net- 随机分成一个- -例如，2020CT分割训练集（1318[33个]扫描和严重程度新冠肺炎患者评估19例; 640例患者COVID19无COVID-19）患者以及测试装置（329新冠肺炎患者19例; 160例患者无COVID-19）H–W Ren etAI胸部肺-----2020年[34]CT分割扫描和严重程度评估COVID19患者张莉等，DL胸部肺U-Net- -2020年[35]CT分割扫描和严重程度评估M. Moezzi等人表2（续）医学信息学解锁24（2021）10059110国家/ID方法输入输出算法名称性能评价COVID19患者培训/测试分离迁移学习/从头开始培训网络架构Jiantao Pu等，2020年[36]DL 3D胸部CT扫描COVID 19的肺部分割和严重程度评估患者美国有线电视新闻网（CNN）架构在不同层使用不同数量的滤波器。刘凤军AI胸部肺--例如，2020CT分割[37个]扫描和严重程度评估COVID19患者假阳性（FP）、假阴性（FN）、真阴性（TN）、真阳性（TP）、曲线下面积（AUC）、深度学习（DL）、机器学习（ML）、卷积神经网络（CNN）、人工神经网络（ANN）、决策树（DT）和随机森林（RF）、人工神经网络（ANN）、基于树的管道优化工具（TPOT）、袋装树集成（EBT）、支持向量机（SVM）、高斯朴素贝叶斯（GNB）、逻辑回归（LR）、深度神经网络（DNN）、在亚组分析中，七个领域中有一个被评为方法质量低。4. 诊断测试准确度（DTA）4.1. AI的结果在37项基于图像分析的研究[21-0.90比率（DOR）为88.98（95% CI，56.38-140.44），如图所示。（二）（补充数据。2-8）。4.2. DL结果在23项研究中[21，22，2550-为0.96（95% CI，0.9354.68-179.36），如图所示。（ 三）补充资料。 3-8）。4.3. ML结果在9项基于图像分析的研究中[21，24，28，38，43，45，46，48，49]，合并的敏感性为0.91（95% CI，0.90-0.91），特异性为0.91（95% CI，0.90-0.91）， 为0.95 (95% CI，0.94-0.95），AUC为0.97 (95%CI，0.96（图4）（补充图）4-8）。5. 讨论这项荟萃分析研究显示，使用AI算法对COVID-19与健康样本进行AI辅助CT扫描识别的性能令人满意。我们发现，AI对COVID-19肺部受累的预测准确，合并灵敏度为0.90（95% CI，0.90-0.91），特异性为0.90（95% CI，0.90-0.91），AUC为0.96（95% CI，0.91-0.98）。根据表2，ResNet-50、ResNet 101、袋装树集成（EBT）、基于树的管道优化工具（TPOT）、高斯朴素贝叶斯（GNB）、随机森林（RF）和卷积神经网络（CNN）算法在基于CT的COVID-19检测中表现良好这些病变可以解释AI相反，ML检测COVID-19患者为0.97（95%CI，0.96-0.99）。然而，DL检测COVID-19患者的AUC为0.96（95%CI，0.93-0.97）。因此，它可能会增加AI，ML和DL模型检测COVID-19的紧密诊断。AI系统的性能与资深执业放射科医生相当，可以帮助快速诊断COVID-19患者，AUC为0.97和0.95 [23，55]。因此，AI软件表达了对通气肺实质与受影响肺实质相比的百分比的客观评价，并且可以很容易地识别COVID-19相关肺炎的CT扫描[58，60]。Ilker Ozsahin等人2020年在审查研究中，人工智能被用于临床，作为医生检测COVID-19的支持系统[61]。此外，本研究中的合并AUC为0.96（95% CI，0.91-0.98）。Lin Li等. 2020年的研究表明，具有0.96 AUC的DL模型可以准确检测COVID-19并将其与社区获得性肺炎（CAP）和其他肺部疾病区分开来[35]。 相反，Xiangjun Wuet al. ，2020，Xueyan Meiet al. ，2020，和Shuo Wanget al. ，2020，显示具有0.732、0.86和0.87 AUC的DL模型分别可以准确地检测COVID-19 [51，53，62]。 然而，一项研究表明，AI胸部CT扫描不能取代鼻咽拭子（RT-PCR）或疑似COVID-19患者的分子诊断测试[63]。总体而言，分析表明，DL模型可以以高准确率对胸部CT扫描进行分类，AUC值范围为0.90至1.00 [33，52，64，65]。同时，该研究表明DL检测COVID-19患者的AUC为0.96（95%CI，0.93调查研究。Daowei Liet al. ，2020，显示ML的AUR评分为0.93 [34]。然而，在我们的研究中，ML的合并AUC较高，为0.97（95% CI，0.96-0.99）。总体而言，ML对于COVID-19分类的准确性几乎达到0.90以上[ 66 ]，并且Chenglong Liu等人。，2020，显示AUC为0.99 [38]。这项荟萃分析有几个局限性。1.所有研究均为基于静态图像的回顾性研究。2.无法消除研究的选择偏倚（如QUADAS-2所示）。3. CT扫描设备、图像和所用AI、DL和ML算法存在一些异质性。4.此外，有两项研究使用了人工智能的一些算法和方法，这是本分析的效果偏倚6. 结论我们的研究结果显示，基于ResNet-50、ResNet 101、袋装树的集合、基于树的管道优化工具、高斯朴素贝叶斯、随机森林和卷积的M. Moezzi等人医学信息学解锁24（2021）10059110神经网络算法对于基于CT的COVID-19检测表现良好。为了证实人工智能在快速准确诊断COVID-19方面的作用，需要进行更多的前瞻性实时试验，以减少选择偏倚的可能性，并与目前可用的研究进行比较。资金来源、财务披露没有资金。贡献研究概念和设计：F.R，K.SH。数据采集：F.R，K.SH。分析和解释数据。F.R.手稿起草：K。SH，文学士审稿：F.R，K.SH，H.K.SH。竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认一个也没有。附录A. 补充数据本 文 的 补 充 数 据 可 在 https ： //doi 网 站 上 找 到 。org/10.1016/j.imu.2021.100591。引用[1] [10]张文辉，张文辉. Alkhalili S，simonsen L：比较SARS-CoV-2与SARS-CoV和流感大流行。柳叶刀感染疾病2020;20（9）：e238-44。[2] Remuzzi A，Remuzzi G. COVID-19和意大利：下一步是什么？柳叶刀2020;395（10231）：1225-8。[3] [10]杨文辉，张文辉. COVID-19相关急性呼吸窘迫综合征：是否需要不同的管理方法？柳叶刀呼吸医学2020;8（8）：816-21。[4] Guan WJ，Ni ZY，Hu Y，Liang WH，Ou CQ，He JX，Liu L，Shan H，LeiCL ， Hui DSC ， et al. Clinical char