肺内磨玻璃密度影(Ground-Glass Opacity, GGO)是COVID-19在CT上的最常见的重要影像学特征 [ 12 ] [ 23 ] [ 24 ] [ 25 ] [ 26 ] 。COVID-19患者的肺部CT的变化可分为四个阶段 [ 24 ] [ 27 ] [ 28 ] [ 29 ] [ 30 ] 。早期可在单侧或双侧肺下叶见GGO；进展期患者的双侧肺叶多会有弥漫性GGO；重症期 [ 3 ] 肺实变会更加常见，并伴有小叶间隔增厚的GGO；在14天后多为恢复期，病灶明显吸收，边界趋于清晰，仅有少部分患者会残留GGO [ 31 ] [ 32 ] [ 33 ] 。在面对COVID-19患者的大量影像学图像，仅靠医师人工诊断耗费大量的时间和精力，且高强度工作可能会影响医师的判断力，对图像的判读出现误差。AI技术具有在几秒钟内定位病灶的强大能力，它可以极大地减轻医生从影像学图像中仔细查找和判断病灶的工作量。AI技术在医学领域的发展也启发研究人员将AI技术应用于医学影像学方面的研究。

研究人员通过收集大量COVID-19患者影像数据进行训练、分析，并对复杂病例进行分类得到构建AI模型 [ 34 ] [ 35 ] [ 36 ] 。例如，Song Y等 [ 37 ] 通过对88例COVID-19患者、100例细菌性肺炎患者和86例健康对照者的胸部CT扫描数据进行对比学习，在预训练ResNet50的基础上构建一种基于DL的算法——DRE Net，该模型准确率为0.93，证明DL在辅助医生诊断COVID-19患者具有可行性；Wang B等 [ 38 ] 提出一种组合的“分割–分类”模型管道，该管道利用先进的分割模型(如全卷及网络U-Net、V-Ney、3D U-Net)以及分类模型(如DPN-92、Inception-v3、ResNet-50和ResNet-50)，通过对模型的经验训练和评估选择出最佳诊断模型为三维U-Net++，并对其重复训练至模型性能AUC为0.991，可以突出显示病变区域特征性信息，从而帮助医师快速定位并详细检查病灶，为COVID-19的诊断做出巨大贡献；Sara H. K.等 [ 39 ] 从深度学习卷积神经网络(Deep learning convolutional Neural Networks, CNN)池选取Mobile Net、Dense Net，X-ception、Res Net、InceptionV3、Incept ResNetV2、VGG Net、NAS Net等模型进行比较，最佳组合是DenseNet121特征提取器和Bagging树分类器，预测准确率达到0.99，即只需上传影像学图像，就能提供初步预测COVID-19患者。此外，H. Mukherijee等 [ 40 ] 提出一种可以同时识别胸部X线和CT影像的深度神经网络(deep neural network, DNN)来识别COVID-19阳性病例的准确率为96.28%。Ghoshal和Tucker [ 41 ] 通过研发贝叶斯CNN算法，基于开放数据库中68例COVID-19胸部X线图像，评价深度学习算法识别肺炎的不确定性，进一步改善医师和AI的诊断效能。

利用AI技术分割图像感兴趣区(Region of Interest，ROI)也被广泛应用于COVID-19的诊断。Chen等 [ 42 ] 使用基于U-Net++的自动分割技术分割病灶，该研究构建的识别COVID-19模型准确度为95.2%，灵敏度为100%，特异性为93.6%，在该模型辅助下，放射科医生平均阅读时间比其独立诊断减少了65%，极大地提高医生的诊断效率；C. Zheng等 [ 43 ] 提出了基于U Net 3D的CNN模型，该模型ROC曲线的灵敏度为0.907、特异性为0.911，使用该模型的DeCoV Net算法对肺部进行分割，并将分割的肺区域输入3D CNN可以预测感染COVID-19的概率准确度为90.1%、阳性预测值为84.0%、阴性预测值为98.2%，Shi等人 [ 44 ] 对2685例肺炎患者的胸部CT图像进行处理，预处理使用VB-Net，将感染部位分割成不同的部分，应用随机森林模型基于各种手工勾画的特征，该模型性能的灵敏度、特异性和准确率分别为90.7%、83.3%和87.9%。综上所述，基于X线或CT影像的AI模型对COVID-19的检测性能与经验丰富的放射科医师相近，能对COVID-19进行初步诊断和对医疗资源合理分配。

COVID-19患者的典型影像学表现有助于早期诊断，但其他类型肺部疾病，尤其是病毒性肺炎在影像学上与COVID-19具有相似性 [ 12 ] [ 45 ] ，均出现以GGO为主要表现的病灶区 [ 30 ] [ 46 ] [ 47 ] ，且可能与感染与炎性表现重叠区域，增大了医生诊断的难度系数，容易误诊，鉴别诊断在临床实践和制定诊疗方案中有重大的意义。

影像组学 [ 48 ] 通过采集影像学图像，分割图像的感兴趣区，包括手动和自动两种分割方法提取病灶图像特征，统计分析病灶体积、密度和纹理特征等多维度的了解疾病信息，观察病灶的变化 [ 17 ] [ 49 ] [ 50 ] ，影像组学特征主要包括形状、纹理及变换特征等 [ 51 ] ，影像组学技术可以将影像学特征与患者其他临床特征相结合，对大量影像学数据信息进行深度处理、预测和分析从而辅助医生作出最准确的诊断 [ 52 ] [ 53 ] ，现已广泛应用于肿瘤方面的诊断，例如，汪靖婷等 [ 54 ] 搜集周围性肺癌和肺腺癌患者的CT图像，建立临床、影像组学及临床组学预测模型，使用ROC曲线评价模型诊断效能，建立鉴别诊断的列线图，显示出较好的诊断效能。应用影像组学对鉴别COVID-19患者和其他肺部疾病患者也起到了巨大的作用。

多位学者使用AI辅助COVID-19患者胸部X线和CT的鉴别诊断。例如，Wang Shuai等人 [ 55 ] 提出了一种CNN模型，纳入79例COVID-19患者和180例典型病毒肺炎患者的胸部CT，并绘制图像ROI进行预处理和训练，经过训练优化，其诊断结果与病原学检测结果高度一致，将该模型的性能与熟练的影像学医生的性能进行了比较时显示出更高的准确性和敏感性，将可能成为筛查流行病的有力工具；Apostolopoulos和Mpesiana [ 56 ] 收集224例COVID-19患者胸部X线、700例社区获得性肺炎及504例正常胸部X线图像，利用卷积神经网络(Convolutional Neural Networks, CNN)的迁徙学习(transfer learning)在胸部X线图像上提取与COVID-19相关的基本特征，鉴别的最佳准确性、灵敏度和特异性为96.78%、98.66%及96.46%，有助于实现COVID-19的低成本、快速和自动诊断；Wang和Wong [ 57 ] 基于CNN开发了深度学习算法模型COVID-Net，引入包含13,870例患者病例的总计13,975张胸部X线图像的COVID x数据集，对COVID-Net进行训练评估，预测COVID-19患者的精准度达到83.5%，医生可以在筛查过程中利用这些预测，帮助他们迅速做出准确的评估；Liu等 [ 58 ] 采用了一个基于肺部病变分割模型和诊断分析模型的AI诊断系统，将肺部病变影像学图像作为分割网络生成的输入，使用了260例患者的40,880个图像，包括83例COVID-19患者、91例普通肺炎患者和86例健康者测试类器模型，该系统能够将COVID-19患者与其他两类区分开来，准确率为0.9249，灵敏度为0.9493，特异性为0.9113，且具有准确性和普遍适用性，可以帮助影像学医生进行快速诊断。

AI辅助胸部影像学图像的分割对COVID-19的鉴别诊断具有重要意义。Xu等人 [ 59 ] 提出通过DL算法自动筛检COVID-19的CT影像，并对110例COVID-19患者的219例胸部CT图像、156例其他类型肺炎患者和175例健康人群三组病例的胸部CT图像使用3D-CNN分割模型进行分离，采用经典的ResNet-18网络结构进行图像特征提取和注意力机制(Attention Mechanism, AM)的模型进行比较，得到区分COVID-19患者的整体总准确率为86.7%，有望成为医生有效的辅助诊断方法；Jin等 [ 60 ] 提出了一种基于DL的诊断COVID-19、社区获得性肺炎(Community-Acquired Pneumonia, CAP)、流感和非肺炎的AI系统，以CT图像作为数据，执行图像分割、COVID-19定位和鉴别诊断，对496例COVID-19患者和1385例非COVID-19患者的肺部CT图像进行分割，识别COVID-19例的特异性为95.5%，敏感性为94.1%，AUC为0.979，且AI系统的平均阅片时间为2.73秒，在COVID-19方面的诊断性能略高于影像学医生，能够显著提高放射科医生的工作效率。

AI技术应用于COVID-19患者影像学鉴别诊断大大提高了鉴别效率，有利于防疫措施的迅速开展，为患者的积极治疗提供了有利的帮助。

随着患者病情严重程度分级的提高，肺部病灶密度存在增加趋势 [ 13 ] [ 61 ] [ 62 ] [ 63 ] [ 64 ] [ 65 ] 。AI技术可以准确定位肺内病灶 [ 66 ] [ 67 ] [ 68 ] ，并计算COVID-19病变在肺内所占容积比和病灶密度对病情分级、提示病情动态变化 [ 19 ] ，也用来评估患者的疗效及预后预测 [ 14 ] [ 69 ] 。

AI算法辅助COVID-19患者多方面评估。例如，Huang [ 70 ] 等使用由DL算法对126例轻、中、重及危重型COVID-19患者的胸部CT扫描自动生成的定量图像参数(肺阴影百分比，QCT-PLO)，评估了初始基线特征和随时不同类型COVID-19 QCT-PLO严重程度的纵向变化，客观评估COVID-19的肺部受累，用于量化疾病负担和监测疾病进展或预测疗效；赵建华等 [ 71 ] 使用北京推想科技有限公司的AI肺炎辅助诊断系统分割COVID-19患者胸部CT图像的ROI，并测量病灶的体积和密度，该系统利用迁移学习技术，纳入大量COVID-19患者的CT数据进行训练，通过DL分割模型勾画肺病灶，计算肺炎病灶的密度、体积、占肺叶和整肺体积的百分比预测患者的严重程度，协助影像学医生分析异常病例和重症病例，有序化分级治疗及疗效评估等，有效控制COVID-19的重症率；Liu等 [ 58 ] 使用AI技术生成的定量测量可以评估药物疗效，肺部CT图像病灶大小和体积量化病情的严重程度，测量病灶的变化比较药物治疗前和治疗后结果之间的差异，通过CT扫描定量测量病灶变化，显示AI系统在客观定量评估药物疗效方面具有潜力，AI系统结合临床数据还可以准确评估预后，帮助临床医生设计针对性的诊疗方案和适当地分配医疗资源；Qian等 [ 72 ] 对患者进行大规模的回顾性、队列和AI辅助研究，使用DL中的多任务学习算法(Multi-task Learning, MTL)分割CT图像、提取特征并计算体积，引入3D U-Net对大规模数据进行分类，使用AI系统标记肺叶中的GGO和实变病灶并计算体积、受累肺叶的数量和每个肺叶中的病灶体积百分比，初步评估危险因素，识别和监测高危人群，便于医生及时关注高危人群的健康状况。

此外，苏祝平等 [ 65 ] 利用影像组学方法建立描述肺部CT特征与不同阶段COVID-19患者病灶变化列线图模型，以预测患者肺部病灶的转归，得到当出现不规则条索影、充气支气管征和不规则形态病灶的比例 ≥ 50%时，肺部病灶将会得到改善，该模型具有较高的敏感性和特异性；Mushtaq等 [ 73 ] 使用深度学习AI系统量化697例COVID-19患者初始胸部X线肺部受累严重程度，评估肺损伤分数来预测患者不良预后，将其性能与RALE评分进行了比较(RALE评分是一种已被验证用于评估ARDS患者的严重程度和预测结局影像学评分)，两种影像学评分的危险比相似，且大多数高于临床危险因素，证明基于深度学习的AI系统具有通过初始胸部X线预测重症和死亡病例的能力；Yue等 [ 74 ] 使用基于ML的影像组学模型提取患者CT高通量放射特征，提取了隐藏在病灶、GGO和实变中的特征，并使用多中心队列进行训练和独立队列进行测试，最终得到基于ML的CT影像组学特征和模型具有使用初始胸部CT预测COVID-19患者住院时间的可行性和准确性的结论，提示医生关注预测结果为长期住院的患者，避免病情加重恶化。

AI用于监测COVID-19患者病灶类型、评估疾病进展和预测预后，降低了影像学医师观察肺部影像学图像的主观性，有利于准确评估患者治疗效果；也可以通过对肺部CT图像的评估，将患者按病情严重程度分流，提高诊治效率，使医疗资源合理分配。