Background
自年初以来，冠状病毒病已在世界范围内广泛传播。希望开发出使用胸部CT自动准确检测COVID-19的方法。Purpose
开发一个全自动框架，使用胸部CT检测COVID-19并评估其性能。MaterialsandMethods
在这项回顾性和多中心研究中，开发了深度学习模型——COVID-19检测神经网络（COVNet），以从容积胸部CT检查中提取视觉特征以检测COVID-19。社区获得性肺炎（CAP）和其他非肺炎CT检查也包括在内，以测试模型的鲁棒性。该数据集于年8月至年2月之间从6家医院收集。诊断性能通过受试者工作特征曲线（AUC）下面积、敏感度和特异度进行评估。Results
收集的数据集由来自3,名患者的例胸部CT检查组成。平均年龄为49±15岁，男性患者略多于女性（vs；p值=0.29）。在独立测试集中检测COVID-19的灵敏度和特异度分别为为例中的（90％[95％CI：83％，94％]）和例中的（96％[95％CI：93％，98％]），AUC为0.96（p值0.）。在独立测试集中检测CAP的灵敏度和特异度分别为87％（例中的）和92％（例中的），AUC为0.95（95％CI：0.93，0.97）。Conclusions
深度学习模型可以准确检测COVID-19，并将其与社区获得性肺炎和其他肺部疾病区分开。
SummaryStatement
深度学习使用胸部CT检测冠状病毒疾病（COVID-19），并将其与社区获得性肺炎和其他非肺炎性肺疾病区分开来
KeyResults
深度学习方法能够通过胸部CT检查识别COVID-19（受试者工作特性曲线下面积0.96）。
深度学习方法可通过胸部CT检查识别社区获得性肺炎（受试者工作特征曲线下面积0.95）。
所有病毒性肺炎与其他胸部疾病的胸部CT影像学表现重叠，这鼓励采用多学科的方法来最终确诊患者。
Introduction
冠状病毒病（COVID-19）自年初已在世界各地广泛传播。其具有高度传染性，可能会导致急性重症病例，引起呼吸窘迫或多器官功能衰竭。年1月30日，世界卫生组织（WHO）宣布该暴发为“国际