中国在 AI 预测新冠肺炎患者病情方面，又有新进展。

2020 年 7 月 15 日，钟南山、联合腾讯以及广州呼吸健康研究院的专家，在 Nature 子刊 Nature Communications 上，发表了题为《深度学习在新冠肺炎危重患者早期分诊中的应用》（Early triage of critically ill COVID-19 patients using deep learning）的论文。

图 | 钟南山团队与腾讯 AI Lab 联合研究成果，已发布于 Nature Communications，并向全球开源。

论文第一作者分别是广州呼吸健康研究院院长助理梁文华博士、和腾讯 AI Lab 医疗中心首席科学家姚建华博士；论文共同作者为钟南山院士、广州呼吸健康研究院院长何建行、腾讯 AI Lab 医疗中心负责人黄俊洲。

这项研究，也是钟南山团队、与腾讯共同成立的大数据及 AI 联合实验室的成果之一。

论文中，钟南山团队与腾讯 AI Lab、披露了利用 AI 预测新冠肺炎患者病情发展至危重的概率研究成果，该成果可分别预测 5 天、10 天和 30 天内病情危重概率，病人的早期分诊将会借此得到优化。

此研究基于深度学习所建立的 Cox 模型（Cox 模型，又称比例风险回归模型，即 Proportional Hazards Model），对新冠肺炎患者入院时的 10 项临床特征进行分析，从而帮助预测患者病情发展至危重的风险。

研究成果已经在 GitHub 开源

依据此模型开发出的预测工具 “新冠肺炎患者重症早期分诊系统” 已经公开于https://aihealthcare.tencent.com/COVID19-Triage_en.html。

医护人员只需输入患者的临床特征，上述系统就可以返回患者在 5 天、10 天和 30 天内病情发展至危重的概率，这对新冠肺炎疾病的管理，具有极高的临床价值和经济价值。

同时，这项研究成果也通过 GitHub 向全球开源，以支持全球抗击新冠疫情，GitHub 开源项目查询链接为

https://GitHub.com/cojocchen/covid19_critically_ill。

临床研究显示，轻度新冠肺炎患者具有一定自限性，即疾病在发展到一定程度后，靠机体调节就能够控制病情发展、并逐渐痊愈。但 6.5％的此类患者有突然进展为严重疾病的趋势，如果发展为重症病例，其死亡率高达 49％。与此同时，大量医疗护理资源也将投入进去。

因此，轻度新冠肺炎患者突然恶化为重症，是抗疫工作中重点关注的问题之一。同时，早期识别不同风险的患者、并进行有效分类，也有利于医疗资源的高效合理分配，确保最有重症风险的患者尽快得到最合适的医疗及护理。

然而，准确预测患者进展至重症的风险并非易事。研究团队发现，临床中经常采集的患者特征多达 74 个，自然也就难以采用传统方法，去建立准确的预测模型。

大数据牵手 AI，不可能变为可能

但大数据与 AI 的联合，将不可能变为可能。在合理有效的前提下，研究团队以腾讯 AI Lab 技术为核心，通过机器学习选择变量算法，确定出十个可通过常规医学检测手段获取的患者特征指标：即 X 线影像异常、年龄、呼吸困难、慢性阻塞性肺病、合并症数量、癌症病史、中性粒细胞 / 淋巴细胞比、乳酸脱氢酶、直接胆红素和肌酸激酶。

图 | 训练队列中 10 项所选特征的单因素分析（来源：Nature Communications）

随后，研究人员使用来自 575 家医院的、1590 名新冠肺炎患者的脱敏数据进行模型训练，开发出基于深度学习的新型 Cox 模型。

据悉，该模型是进行生存分析（Survival Analysis）的常用模型之一，可根据患者入院时的临床特征，预测病情发展至危重病的风险。

研究团队还对深度学习 Cox 模型的一致性做了验证，结果发现，评估模型预测结果精准度的一致性指数（C 指数）为 0.894，较未进行深度学习的经典 Cox 模型的 0.876 有所提升，也显著高于传统衡量肺炎严重程度的 CURB-6 模型的 0.75。

图 | 模型性能比较（来源：Nature Communications）

为测试模型的普适性，研究团队对不同地理区域、和不同卫生资源水平的三个独立队列进行了测试。患者队列涵盖武汉市、湖北省内除武汉市的以外地区、以及疫情期间未出现健康资源枯竭的广东，外部测试病例与模型训练病例的范围均未出现重叠。通过回溯共计 1393 例外部患者的检验数据之后，该模型的预测性能也得到实践验证。

考虑到实践中会发生数据不完整的情况，即模型所需的 10 项特征中可能有一部分并未得到测量。针对该问题，研究团队在系统中加入多变量数据插补模块，基于可观察到的变量，来找到可作为参考的相似样本，并通过拟合算法来插补缺失的数值。

仅检测到 7 项特征时，依然可以使用

为提升模型的鲁棒性（Robustness，即系统健壮性，是系统在异常和危险情况下生存的关键），研究团队在训练深度模型的过程中，采用随机丢弃数据、并添加数据噪音的方法。最终得到的模型，在仅观测到 7 项特征时，依然取得了不错的表现。

为方便医护人员解读该模型的检测结果，研究团队在深度 Cox 模型的基础上，加了一层线性 Cox 模型。该线性模型可通过诺模图（Nomogram，据运算方程式或实验结果，应用几何原理用若干有标尺的线条、所绘成的运算用图）进行手动计算。

图 | 本次研究涉及到的诺模图（来源：Nature Communications）

医护人员可以直观了解各项观察值、与风险系数之间的权重和关系，同时还可在无电脑情况下、手动计算风险系数。

2020 年 4 月，美国知名医疗机构梅奥诊所就已经开始用 AI 分析新冠肺炎感染的临床特征，最终发现腹泻是最值得关注的早期症状之一。在阳性患者测试 4-7 天前，绝大多数都会同时出现咳嗽和腹泻症状，伴随着味觉或嗅觉丧失和大量出汗。这些症状后来被用于早期病例的筛查中。

比梅奥诊所更早，2 月 27 日，钟南山院士团队就与腾讯公司宣布达成合作，共同成立大数据及 AI 联合实验室，携手持续抗击新冠肺炎疫情，将以大数据及 AI 攻坚流行病、呼吸疾病和胸部疾病的筛查和防控预警。

大数据及 AI 联合实验室副主任、腾讯医疗副总裁吴文达医生指出，当前新冠肺炎疫情在全球持续蔓延，高效抗疫并降低患者死亡风险，仍是取得抗疫胜利的关键，希望大数据、AI 等新技术能够在抗疫常态化中发挥作用，更有效地防控流行病疫情。

此外，借助开源力量，该公司将进一步为抗疫出力。