目的
比较和分析人工智能（AI）技术、低年资放射医师、高年资放射医师、AI联合低年资放射医师对新冠肺炎CT的诊断效能，探讨AI对新冠肺炎CT的辅助诊断价值。
方法
回顾性分析经AI新冠诊断软件诊断新冠概率＞0%的53例患者图像，
统计计算A组（低年资医师，参与放射诊断工作＜10年）、B组（高年资医师，参与放射诊断工作≥10年）、C组（AI）、D组（低年资医师联合AI）的初次CT诊断新冠肺炎信心评分的受试者特征曲线（ROC），Z检验比较各组诊断效能；并以AI诊断新冠肺炎最大约登指数相应的截断值为标准，比较各组的敏感性、特异性。
结果
1. 各组诊断效能曲线下面积比较（AUC）：A组＜B、D组（z=2.406、2.013），C组＜D组（z=2.031），B组＞C组（z=2.113），差异均具有统计学意义（
p
＜0.05）；余组间差异均无统计学意义（
p
＞0.05）。2.
以AI诊断新冠肺炎最大约登指数相应的截断值＞
3分
为标准，
各组对新冠肺炎CT的诊断效能比较。敏感性：A组＜B、D组（x
²
=3.854、13.781），C组＜D组（x
²
=7.726），差异均具有统计学意义（
p
＜0.05）；余组间差异均无统计学意义（
p
＞0.05）。特异性：A组＜B、D组（x
²
=6.876、6.876），差异均具有统计学意义（
p
＜0.05）；余组间差异均无统计学意义（
p
＞0.05）。
结论
基于深度学习的AI技术在新冠肺炎CT诊断中具有较高的临床应用价值，AI可辅助低年资医师提高对新冠肺炎的CT诊断效能。
图1 各组
ROC曲线下面积（AUC）比较
图2 男 52岁，发热、咳嗽就诊，无明确新冠肺炎患者接触史。a）：两肺胸膜下为主的毛玻璃密度影，A组新冠肺炎诊断信心评分2分，B组5分。 b）：C组评5分，病灶体积占肺7.46%。RT-PCR检测阳性，新冠肺炎。 D组评3.5分。 c)：一周后病灶部分实变。
d)：AI示病灶体积占肺体积5.71%，提示部分吸收。
图3 男 82岁，发热、咳嗽、胸闷，明确的疫区人员接触史，有慢性间质性肺炎既往史，白细胞值正常、淋巴细胞值处于下限、血清淀粉样蛋白酶↑。a)：两肺胸膜下为主的磨玻璃密度影伴间质增厚。b)：C组根据影像特征示新冠诊断评分3分，病灶体积占肺24.95%。A组评3分，B组结合实验室指标及临床病史对其评5分。最终RT-PCR阳性，新冠肺炎。
AI对新冠肺炎CT辅助诊断的应用特点
本次研究AI（C组）诊断新冠肺炎的AUC达到了中等度的0.753，敏感性、特异性分别达80.56%、64.71%，显示其有一定的诊断应用价值，这三项指标虽高于低年资医师（A组），但结果不具统计学意义，显示C、A组诊断效能相差不大。而蔡雅倩
等学者研究发现住院医师联合AI后降低了对肺毛玻璃结节筛查及定性诊断中的误诊率、漏诊率，敏感性也从65.20%上升到96.02%。本组联合低年资医师与AI的D组对新冠肺炎诊断的敏感性、特异性达到了94.44%、70.59%，明显高于A组的75%、52.94%（
p
＜0.05），接近蔡雅倩
等的研究数据，且本次D组的AUC为0.853，也明显高于A组的0.717（
p
＜0.05）。充分说明联合AI后对低年资医师诊断新冠肺炎具有显著的提升作用。我们分析主要原因包括（1）：AI已“深度学习”了数千例新冠肺炎病例，积累的“数据”量远远超过了低年资医师。（2）：刘小玉等学者发现首次CT新冠肺炎筛查的敏感性可以高于核酸检测
，本组53例筛选出的具有新冠肺炎概率的病例是在数千名常规胸部CT检查中筛选出来的，AI没有低年资医师的视觉、脑力疲劳等问题
，所以AI在新冠疫情大量病人需要筛查时具有优势。（3）：低年资医师对新冠肺炎的诊断及鉴别诊断经验积累不足。所以低年资医师联合AI诊断可以弥补自身所没有的大量“数据”经验。
本次研究中由于部分病例的肺内病灶分布于非胸膜下为主，与典型的新冠肺炎征象不甚相同，且部分病患具有一些肺外新冠征象如纵膈气肿、肝实质密度减低等，这与丁义等学者研究结果相似，而AI不能发现肺外的征象；侯可可
