May, 2024

区域特定风险量化对 COVID-19 预后的可解释性

PDF
TL;DR通过结合大规模预训练图像编码器、风险特定的 Grad-CAM 技术以及解剖区域检测技术，我们提出了一种可解释的深度生存预测模型，该模型特别针对 COVID-19 前景进行改进，使用胸部 X 射线（CXR）图像来提高对疾病的理解和信任。我们的模型通过风险区域定位提供了预测结果的更清晰和透明度，使临床医生能够在对预后洞察力有更好理解的情况下做出知情决策，从而改善了 COVID-19 诊断的解释性。在多中心生存数据集上评估所提出的方法，并通过定量和定性评估证明了其有效性，达到了优越的 C 指数（0.764 和 0.727）和时间相关的 AUC（0.799 和 0.691）。这些结果表明，我们的可解释的深度生存预测模型在风险预测方面超越了传统的生存分析方法，提高了临床决策的可解释性并增强了 AI 系统的可信度。
covid-19 prognosisinterpretable deep survival prediction modelchest x-ray imagesrisk area localizationclinical decision making
发现论文，激发创造
  • COVID-19 预测的多数据集多任务学习

    利用人工智能从胸部放射影像中预测 COVID-19 病情结果是当前对抗 COVID-19 大流行的一个重要科学目标。本研究提出了一种新的多数据集多任务训练框架，通过整合来自不同来源、与常规多任务学习方法不同的相关数据集，预测 COVID-19 胸部 X 光片的预后结果，该框架假设评估严重程度有助于模型对预后严重程度组进行分类，从而提高其鲁棒性和预测能力。通过对 18 种不同的卷积神经网络骨干进行不同的评估策略，在预后分类任务中显著改进了性能，这是显而易见的，相比于单一任务基准和标准迁移学习策略，在广泛的统计分析支持下，显示出巨大的应用潜力。

    May, 2024

  • 从胸部 X 射线图像中确定 COVID-19 感染部位和严重程度

    本文旨在通过开发全新的人机协作方法对 X 光片进行地面真实性标注，建设了一种最大的基准数据集，包括 33,920 张 X 光片，其中包括 11,956 个 COVID-19 样本，通过对肺部区域分割、COVID-19 定位和感染定量进行深度学习处理，达到优秀 COVID-19 检测性能。

    Mar, 2021

  • 基于自监督表示学习和多图像预测的 COVID-19 预后

    本文使用 self-supervised 学习方法（即 MoCo 方法）实现了以胸部 X 光为基础的 COVID-19 患者恶化预测模型，包括不良事件恶化和氧需求增加两种类型，并提出了可处理多图像序列的新型 Transformer-based 架构，在 96 小时内，模型准确预测了患者的恶化和死亡情况。

    Jan, 2021

  • COVID-19 在胸部 X 光片中的检测、严重程度评分和患者疾病监测

    本文通过开发深度学习模型在胸部 X 光图像中同时检测和分割肺炎从而估计 COVID-19 患者的肺炎严重程度，并进行疾病进展的纵向研究，计算 ' 肺炎比率 ' 以评价疾病严重性，建立住院患者的疾病程度随时间的进展曲线，验证该模型对患者监测任务的相关性。

    Aug, 2020

  • 基于对抗训练的鲁棒可解释性胸部 X 射线 COVID-19 诊断

    通过 21 个卷积神经网络模型在多样化的 33,000 + 胸部 X 射线图像上进行训练和评估，我们的研究旨在解决人工智能在 COVID-19 检测中的可解释性和鲁棒性问题，通过对抗训练提高了模型的鲁棒性，并生成了与专业放射科医生发现相一致的突出热力图。

    Nov, 2023

  • 利用有限训练数据集对 CXR 上的 COVID-19 特征进行深度学习

    提出了一种基于统计分析结果和小型 CNN 的图像诊断方法，该方法在 COVID-19 诊断方面可以达到最先进的性能和可解释性，应用于胸部 X 光照射的人群中的病例筛查。

    Apr, 2020

  • COVID-19 影像数据集的收集：前瞻性预测是未来

    本文描述了首个 COVID-19 公共图像数据集合并对其可能用例进行的初步探索，该数据集包含数百张胸部 X 射线图像和相关数据，最大程度地促进了 COVID-19 的治疗。

    Jun, 2020

  • 自动化 COVID-19 存在与严重程度分类

    利用计算机断层扫描技术，通过采用集成学习策略（包括迁移学习和预训练 ResNet34 和 DenseNet121）和 COVID-19 特定的预处理，结合医疗信息（感染 - 肺比率、患者年龄和性别等），该方法实现了对 COVID-19 感染的检测和预测，AUC 分别为 83.7％和 79.0％，其成果可与目前在该领域中存在的其他方法进行比较。

    May, 2023

  • 使用胸部 X 光和 CT 扫描进行 COVID-19 检测和预测的机器学习常见陷阱及建议

    研究表明，2020 年针对新冠肺炎的机器学习模型都存在方法学缺陷和 / 或潜在偏差，无法在临床上实际使用。为此，该文提出多项建议以解决这些问题并提高模型开发的质量和文件的可靠性。

    Aug, 2020

  • 基于 Vision Transformer 技术对胸部 X 光图像进行分析以提高 COVID-19 诊断

    本研究针对 COVID-19 的自动诊断提出了一种基于预训练的 Vision Transformer 模型对胸部 X 光图像进行微调的创新框架，经过鉴定，该模型在二元分类、三元分类和四元分类性能方面均表现出超凡的精度。

    Jun, 2023