标志”src=

计算和数学方法在医学
PDF
计算和数学方法在医学/2020年/文章
特殊的问题

机器学习和网络生物学和医学的方法2020

把这个特殊的问题

研究文章|开放获取

体积 2020年 |文章的ID 9756518 | https://doi.org/10.1155/2020/9756518

同类Ozsahin, Boran Sekeroglu,穆萨萨尼穆萨,穆巴拉克的到来穆斯塔法,迪Uzun Ozsahin, ”回顾诊断COVID-19使用人工智能技术从胸部CT图像”,计算和数学方法在医学, 卷。2020年, 文章的ID9756518, 10 页面, 2020年。 https://doi.org/10.1155/2020/9756518

回顾诊断COVID-19使用人工智能技术从胸部CT图像

同类Ozsahin,1,2 Boran Sekeroglu,2,3 穆萨萨尼穆萨,1 穆巴拉克泰沃穆斯塔法,1,2 和 迪Uzun Ozsahin1,2

1近东大学生物医学工程系尼科西亚/ TRNC Mersin-10, 99138年,土耳其

2尼科西亚DESAM研究所,近东大学/ TRNC Mersin-10, 99138年,土耳其

3近东大学人工智能工程系尼科西亚/ TRNC Mersin-10, 99138年,土耳其

学术编辑器:林路
收到了 2020年6月26日
修改后的 2020年8月28日
接受 2020年9月16日
发表 2020年9月26日

文摘

COVID-19诊断方法主要分为两大类,一个实验室和胸部x线摄影的方法。过去的几个月里已经见证了一个快速增长的数量研究使用人工智能(AI)技术诊断COVID-19胸部计算机断层扫描(CT)。在这项研究中,我们审查的诊断COVID-19用胸部CT对人工智能。我们搜索ArXiv MedRxiv,谷歌学者使用术语“深度学习”,“神经网络”、“COVID-19”,“胸部CT”。在写作的时候(2020年8月24日),已经有近100研究和30个研究其中有选中的评论。我们分类研究的基础上,分类任务:COVID-19 /正常,COVID-19 / non-COVID-19 COVID-19 / non-COVID-19肺炎和严重程度。敏感性、特异性、精密、准确,曲线下的面积,和F1评分结果报道高达100%,100%,99.62,99.87%,100%,和99.5%,分别。然而,呈现的结果应该谨慎相比,由于不同程度的困难不同的分类任务。

1。介绍

冠状病毒已经存在了几十年,它影响了许多动物/哺乳动物和人类。2020年3月11日,世界卫生组织(世卫组织)(1宣布新的冠状病毒叫做COVID-19,大流行,它带来了整个地球变成一个强制封锁。冠状病毒是一个家庭的RNA病毒能够引起严重的病毒在人类和动物病原体。电晕是中型病毒最大的病毒RNA基因组。冠状病毒感染两种鸟类和哺乳动物,但蝙蝠主机最多的冠状病毒的病毒基因型。蝙蝠是主机和不被感染。然而,它可以传播病毒传染给人类。截至24日th2020年8月,有超过2300万例确诊病例的冠状病毒在世界范围内,约有800000的这种情况下导致受感染的病人的死亡。这是遍布216个国家、地区或领土。然而,全球约五百万被感染的病人恢复2]。美国、巴西、印度和俄罗斯是四个国家最高的病例数量。约9000万测试在中国进行,紧随其后的是美国、俄罗斯和印度,与7200万年、3300万年和3200万年的测试,分别为(2]。

测试COVID-19包括分析样本表明目前或过去存在严重急性呼吸道syndrome-associated冠状病毒2 (SARS-CoV-2)。测试是为了检测病毒的存在或产生的抗体针对感染。COVID-19诊断方法主要分为两大类,以实验室为基础的方法,其中包括care-testing,核酸检测,抗原测试,血清学(抗体)测试。另一种方法是使用x射线等医学影像诊断工具和计算机断层扫描(CT)3]。

实验室测试执行通过鼻咽拭子样本获得,咽喉拭子,痰,气管材料(4]。最常见的诊断方法是鼻咽拭子,包括公开包含人工擦拭纸条旨在结合冠状病毒抗原的抗体。抗原结合条,给视觉读出(4]。这个过程非常快,在护理的要点。核酸检测灵敏度较低(60 - 71%之间4]。另一方面,方舟子et al。5]表明,放射方法能够提供更高的灵敏度比实验室测试。

医学成像工具的使用第二种方法COVID-19病毒的检测。这些工具管理中发挥重要作用的患者确诊或疑似感染了病毒。值得注意的是,没有临床怀疑,发现x射线或CT图像是特异性的许多其它疾病可能有类似的模式6]。

胸CT扫描的成像方式选择COVID-19管理起着至关重要的作用。胸CT的诊断灵敏度高COVID-19这使得它的主要工具COVID-19检测(5]。CT扫描包括发射x射线通过病人的胸部,然后检测到辐射探测器和重建高分辨率的医学图像。有一些模式来寻找胸部CT扫描,把自己在不同的特征表现。可能发现有100%信心的COVID-19胸CT图像 和整合、空气支气管征、反向光环和perilobular模式(6]。

上述研究报告提出的放射科医生专攻解释医学图像。解释这些发现的专家放射科医生没有一个很高的灵敏度(4]。人工智能(AI)一直在使用,因为它起着关键作用COVID-19危机管理的方方面面。人工智能在医学应用已被证明是有用自成立以来,它成为被广泛接受的由于其较高的预测准确率。COVID-19诊断阶段,人工智能可以用来识别模式医学CT图像。AI的其他应用程序包括,但不限于,病毒检测、诊断和预测、预防、响应、恢复和加速研究[7]。人工智能感兴趣的可以用来部分地区和捕获细结构在胸部CT图像,self-learned功能可以很容易地提取诊断和其他应用程序。最近的一项研究表明,人工智能准确检测COVID-19,也能够区分从其他肺部疾病和社区获得性肺炎8]。在这项研究中,我们审查的诊断COVID-19用胸部CT对人工智能。

2。材料和方法

我们搜索ArXiv MedRxiv,谷歌学者为AI COVID-19与胸部CT诊断。写作的时候(2020年8月24日),已经有近100的研究,只有17岁的同行评议的论文。总共30个研究(同行评审和同行评议论文13日)17日被选为综述。我们注意到不同的分类术语是报告的作者如“正常”、“健康”、“其他”、“COVID-19”、“non-COVID-19”,“没有COVID-19”、“社区获得性肺炎(CAP)”,“其他肺炎”、“细菌性肺炎”、“非典”、“肺癌”,“A型流感(influ-A)”,“严重程度”。因此,我们把研究划分为四个主要任务如下:COVID-19 /正常,COVID-19 / non-COVID-19 COVID-19 / non-COVID-19肺炎,COVID-19严重程度分类。COVID-19集团由COVID-19病人。正常组只包含健康受试者。Non-COVID-19组包括的情况下不是COVID-19或其他情况下的组合。non-COVID-19肺炎组包括其他类型的肺炎,这不是COVID-19造成的,如病毒性和细菌性肺炎、流感和SARS。最后,COVID-19严重性分类旨在分类COVID-19情况严重或者。

以来的快速检测的研究在CT扫描COVID-19继续,研究人员考虑期刊的同行评议期分享他们获得的研究结果与其他研究人员和科学家在不同的出版环境预印本。机器学习是用来决定决策任务,人们有困难或问题,需要更稳定的决定使用数字和图像数据。深卷积神经网络(CNN)是最广泛使用的机器学习方法之一。它是第一首选的神经网络,特别是在基于图像的问题,因为它包含特征提取和分类阶段,产生非常有效的结果。在基于图像的COVID-19研究,CNN模型或从CNN广泛遇到的不同的模型制作。在研究中,一般合作和一些方法 - - - - - -折交叉验证使用在训练阶段。合作方法,而培训是通过将数据分成两部分测试和培训, - - - - - -折交叉验证,数据分为 - - - - - -折叠,折叠训练 - - - - - -次通过将测试折叠在每个培训,以便每个折叠用于测试阶段。作为一个更好的方法模型评估。

3所示。结果

3.1。COVID-19 /正常的分类研究

押沙龙等。9COVID-19)实现两个深度学习模型检测和分割。《盗梦空间》反复残余神经网络(IRRCNN),基于转移学习,用于COVID-19检测任务,NABLA-N模型的分割任务。他们认为不同的数据集来检测COVID-19 CT图像,通过使用一个额外的胸部x光片的数据集。公开数据集被认为是CT图像的分割过程,和425年的数据集,由CT图像样本,与178年肺炎,247正常图像被认为是COVID-19检测的目的。所有图片的尺寸大小 总图像的像素,375被用于训练和验证数据增加过程。培训执行使用亚当优化器的学习速率 和一批大小16。COVID-19检测和分割精度达到了98.78%和99.56%,分别。

胡锦涛et al。(10构造一个AI模型ShuffleNet V2 (11),它提供了快速、准确的转移培训学习应用。认为CT数据集包含521 COVID-19感染图片,397名健康图片,76年细菌性肺炎的图片,和48 SARS图像。数据扩充过程翻转、旋转、翻译、亮度调整,和翻转+亮度调整应用在这项研究增加训练图像的数量。第一个实验进行的分类COVID-19图像从正常健康的图片。平均灵敏度、特异性和曲线下面积(AUC)得到了分数为90.52%,91.58%和0.9689,分别。

沙丘状积砂等。12)提出了一个全面的系统检测COVID-19从正常的情况下。提出系统包括肺分割,在CT片COVID-19检测,标记COVID-19使用一个预先确定的阈值的基础上计算COVID-19积极的片。几个数据集被认为是在训练和测试阶段,和pretrained网络ResNet50用于COVID-19的检测。敏感性,特异性,AUC分数达到94%,98%和0.9940,分别。

在另一项研究的分化COVID-19从正常情况下,Kassani et al。13]使用几个pretrained网络比如MobileNet [14],DenseNet [15],Xception [16],InceptionV3 [17],InceptionResNetV2 [18],ResNet [19)来提取图像的特征在公开的数据集。然后,提取的特征被训练使用六个机器学习算法,即决策树,随机森林,XGBoost,装袋,LightGBM演算法。Kassani et al。13)得出的结论是,装袋分类器获得最大的最优结果 对特征提取精度DesnseNet121 pretrained网络。

贾斯瓦尔et al。20.)实现pretrained网络DenseNet201-based深模型分类2492 ct扫描(1262 COVID-19阳性,其余1230是负面的)看作是积极的还是消极的。他们比较他们的结果与VGG16 ResNet152V2, Inception-ResNetV2。他们得出的结论是,他们的模型优于其他模型和实现了96.25%的总体精度。表1总结了研究COVID-19与正常情况下。
类。 主题 数据集 方法 参议员(%)
或者回忆		 规范。(%) 前的。(%) Acc。(%) AUC (%) F1-score Ref。
COVID-19 /正常 178年肺炎
247正常		 私人+
(21- - - - - -23]		 戴斯。莱纳姆:
IRRCNN		 N /一个 N /一个 N /一个 98.78 N /一个 98.85 押沙龙等。9]
预印
COVID-19 /正常 521年COVID-19
397正常
76 bac。个轮胎。
48非典		 (24- - - - - -26] 戴斯。莱纳姆:
ShuffleNet V2		 90.52 91.58 N /一个 91.21 96.89 N /一个 胡锦涛et al。(10]
预印
COVID-19 /正常 106年COVID-19
100正常		 私人+
(27,28]		 戴斯。莱纳姆:
ResNet50		 98.2 92.2 N /一个 N /一个 99.6 N /一个 沙丘状积砂等。12]
预印
COVID-19 /正常 COVID-19: x射线:117;CT: 20
正常:x射线:117;CT: 20		 (21,22,29日] DenseNet121
+
装袋		 99.00 N /一个 99.00 99.00 N /一个 99.00 Kassani et al。13]
预印
COVID-19 /正常 1262年COVID-19
1230正常		 (23] DenseNet201 96.29 96.21 96.29 96.25 97.0 96.29 贾斯瓦尔et al。20.]
同行评议
表1
COVID-19 /正常的分类结果。类。:分类;bac。个轮胎。:细菌性肺炎;Sens。:敏感性;规范:特异性;前的。:精度; Acc.: accuracy; AUC: area under the curve; Ref.: reference.
3.2。COVID-19 / Non-COVID-19分类研究

金等。30.]认为496 COVID-19积极和260在武汉协和医院收集的负面形象,西方校园武汉协和医院,在武汉江汉移动客舱医院。此外,他们使用了两个公开的国际数据库,LIDC-IDRI [28]和ILD-HUG [31日(分别为1012和113例)为负的情况下开发系统。二维卷积神经网络用于分割CT片,然后,一个模型是积极的和消极的情况下训练。金等人报道,该系统实现了AUC得分为0.9791分,敏感性94.06%,特异性95.47%的外部文本队列。

辛格et al。32)提出了一种基于多目标微分进化——(模式)卷积神经网络检测COVID-19在胸部CT图像。得出结论,该方法优于CNN,简称ANFIS和ANN模型在所有考虑指标之间的1.6827%和2.0928%。

Amyar et al。33)开发了另一个模型体系结构,包括图像分割、重建、和分类任务,根据编码器和卷积层。实验进行三个数据集,其中包括1044年CT图像,和获得的结果表明,该体系结构实现了最高的结果在他们的实验中,以0.93%的AUC得分。

Ahuja et al。34)使用的数据扩充和pretrained网络分类COVID-19图像。数据增强了使用固定小波和随机旋转,翻译和剪切操作被应用于CT扫描图像。ResNet18、ResNet50 ResNet101, SqueezeNet实施分类任务,和Ahuja等人得出结论,ResNet18优于其他模型得到AUC得分0.9965。

刘等人。35]提出了另一个深层神经网络模型,即lesion-attention深层神经网络的主干模型pretrained网络的权重,如VGG16 ResNet18, ResNet50。该模型能够分类COVID-19图像,研究的主要目的,以0.94的AUC分数使用VGG16作为骨架模型。除此之外,该模型能够multilabel预测在5个病灶。

深度学习方法,而是Barstugan et al。36]认为机器学习算法分类150 COVID-19和non-COVID-19图像。几种特征提取方法如灰度值大小带矩阵(GLSZM)和离散小波变换(DWT)被认为是在特征提取过程中,提取的特征和使用支持向量机分类。 - - - - - -折交叉验证进行了实验2,5,10倍。Barstugan等人得出结论,99.68%的精度是通过SVM使用GLSZM特征提取方法。

王等人。37)进行的另一项研究在区分COVID-19 non-COVID-19 CT扫描。提出了网络,UNet首次训练了肺区域分割,然后,他们使用了pretrained UNet测试肺CT卷获得所有面具。他们连接与相应的肺CT卷面具和送他们的提议DeCoVNet培训。王等人得出结论,提出网络实现中华民国AUC得分0.959。

陈等人。38)执行一项研究在46096年收集的106例患者的图像(湖北武汉University-Wuhan人民医院,中国)。该系统是基于分段CT扫描使用UNet + +和预测COVID-19病变。预测是由将一幅图像划分为四段,计算连续图像。如果连续三个图像分为包含病变,此案列为COVID-19阳性。该系统使用五种不同的评估指标,并达到92.59%和98.85%的准确性在前瞻性和回顾性测试,分别。

金等。39]认为分割和pretrained模型分类COVID-19,健康的图片,和炎症和肿瘤肺疾病。最初,预处理应用CT扫描图像标准化图像收集从五个医院在中国。几个细分模型如V-Net和3 d U-Net + +被认为,和分割图像被训练使用pretrained网络ResNet50 [19),《盗梦空间》网络(17],dpn - 92 [40],和关注ResNet-50 [41]。金等人认为ResNet50分类率最高达到了0.9910的AUC分数,97.40%的敏感性,特异性和图像分割的92.22% 3 d U-Net + +分割模型。

帕沙克et al。42)提出了一个系统的CT扫描检测COVID-19视为preproposed转移学习。系统使用ResNet50从CT图像中提取特征,以及二维卷积神经网络分类被认为是。拟议的系统测试413 COVID-19和439 non-COVID-19图像10倍交叉验证,达到了93.01%的准确率。

Polsinelli et al。43)提出了一种光架构通过修改CNN。该模型是两个不同的数据集上进行了测试,并与不同的组合进行了几个实验。拟议的美国有线电视新闻网获得83.00%的准确性和0.8333的F1得分。

汉et al。44)提出了一个患者的立场引起深3 d多实例学习(AD3D-MIL)学习伯努利分布的标签池的方法获得的。他们使用460胸部CT的例子,230例CT的例子从79年COVID-19确认的病人,100从100例肺炎CT的例子,130年从130人没有肺炎CT的例子。他们提出的模型实现了准确性,AUC,科恩kappa评分的97.9%,99.0%,和95.7%,分别在COVID-19的分类和non-COVID-19。

哈蒙et al。45)被认为是2724年从2617例CT扫描在他们的研究。肺区域被分割使用三维各向异性混合网络架构(AH-Net),和3 d肺分割区域的分类是由使用DenseNet121 pretrained模型。该算法实现了准确性、特异性和AUC得分是0.908,0.930,和0.949,分别。表2显示了COVID-19 / non-COVID-19分类结果的摘要。
类。 主题 数据集 方法 参议员(%)或召回 规范。(%) 前的。(%) Acc。(%) AUC (%) F1-score Ref。
COVID-19 /
non-COVID-19		 496年COVID-19
1385人		 私人+ (28,31日] 美国有线电视新闻网 94.06 95.47 N /一个 94.98 97.91 NA 金等。30.]
预印
COVID-19 /
non-COVID-19		 N /一个 (46] 美国有线电视新闻网 ~ 90 ~ 90 N /一个 ~ 90 不清楚 ~ 90 辛格et al。32]
同行评议
COVID-19 /
non-COVID-19		 449年COVID-19
100正常
98年肺癌
其他397		 私人+
(47,48]		 戴斯。莱纳姆:多任务 94年 79年 N /一个 86年 93年 N /一个 Amyar et al。33]
预印
COVID-19 /
non-COVID-19		 349年COVID-19
397年non-COVID-19		 私人+ (47,49] ResNet18 100.0 98.6 N /一个 99.4 99.65 99.5 Ahuja et al。34]
同行评议
COVID-19 /
non-COVID-19		 564年COVID-19
660年non-COVID-19		 (50] VGG16基础
lesion-attention款		 88.8 N /一个 87.9 88.6 94.0 87.9 刘等人。35]
会议进行
COVID-19 /
non-COVID-19		 53 COVID-19
其他97		 不清楚 支持向量机 97.56 99.68 99.62 98.71 N /一个 98.58 Barstugan et al。36]
预印
COVID-19 /
non-COVID-19		 313年COVID-19
229没有COVID-19		 私人 UNet 90.7 91.1 N /一个 90.1 95.9 N /一个 王等人。37]
同行评议
COVID-19 /
non-COVID-19		 51 COVID-19
55控制		 私人 UNet + + 94.34 99.16 N /一个 98.85 N /一个 N /一个 陈等人。38]
预印
COVID-19 /
non-COVID-19		 723年COVID-19
413人		 私人 UNet + +
+
ResNet-50		 97.4 92.2 N /一个 N /一个 99.1 N /一个 金等。39]
预印
COVID-19 /
non-COVID-19		 413年COVID-19
439年non-COVID-19		 (32,51] ResNet-50
+
2 d CNN		 91.46 94.78 95.19 93.02 N /一个 N /一个 帕沙克et al。42]
同行评议
COVID-19 /
non-COVID-19		 460年COVID-19
397年non-COVID-19		 (26,47] 美国有线电视新闻网
SqueezeNet		 85.00 81.00 81.73 83.00 N /一个 83.33 Polsinelli et al。43]
预印
COVID-19 /
non-COVID		 230年COVID-19
130正常		 私人 AD3D-MIL 97.9 NA 97.9 97.9 99.0 97.9 汉et al。44]
同行评议
COVID-19 /
non-COVID		 1029年COVID-19
1695年non-COVID-19		 私人 AH-Net
DenseNet121		 84.0 93.0 NA 90.8 94.9 NA 哈蒙et al。45]
同行评议
表2
COVID-19 / non-COVID-19分类结果。类。:分类;Sens。:敏感性;规范:特异性;前的。:精度;Acc。:精度;AUC:曲线下的面积; Ref.: reference.
3.3。COVID-19 / Non-COVID-19肺炎分类研究

徐et al。52)提出了一个方法,该方法包括预处理,使用ResNet18 CT图像分割,CT扫描的分类由添加location-attention提供的相对位置信息在肺图像补丁。该方法测试618年认为CT样本(219 COVID-19, 224 CT图像与甲型流感病毒,和175年CT图像对于健康的人),和徐等人得出结论,该方法的总体准确率为86.7%。

王等人。53)提出另一个深度学习的方法来区分COVID-19肺炎和其他类型。无关紧要的区域的分割,镇压,COVID-19分析该方法的过程。DenseNet121-FPN [15)实施肺分割,COVID19Net DenseNet-like结构提出了分类的目的。两个验证集被认为是,作者称0.87和0.88 ROC AUC分数为这些验证集。

除了分类COVID-19和正常的情况下,胡锦涛et al。(10)进行另一个实验来区分COVID-19例从其他例细菌性肺炎和非典。平均灵敏度、特异性和AUC的得分是0.8571,获得84.88%,和92.22%,分别。

白等。54)实现深度学习架构EfficientNet B4 (55]对COVID-19和肺炎的CT扫描片进行分类。六放射科医生的诊断相应的病人被用来评估结果的效率的人工智能模型。AI模型达到了96%的准确率,而放射科医生的诊断是获得的平均精度达到85%。

康等。56)提出了一种管道和多视图表示学习技术COVID-19分类使用不同类型的特性从CT图像中提取。他们用2522 CT图像(1495来自COVID-19病人,和1027年从社区获得性肺炎)分类的目的。比较了使用基准的机器学习模型,即支持向量机,逻辑回归,Gaussian-naive-Bayes分类器, - - - - - -最近邻居,和神经网络。该方法优于视为毫升模型以95.5%,96.6%,和93.2%的准确性、敏感性和特异性分别。

另一项研究是由史等。57分类COVID-19和肺炎。他们认为1658年和1027年证实COVID-19和帽病例。施等人提出了一个模型,该模型是基于随机森林和自动提取的一系列特性体积,感染病灶数,从CT图像直方图分布和面积。该方法和考虑机器学习模型(逻辑回归、支持向量机和神经网络)然后由所选择的训练和5倍交叉验证功能。作者报道,该方法优于其他模型和最优AUC得分(0.942)。

应等。58)设计了一个网络称为DRE-Net,基于修改pretrained ResNet-50。88例COVID-19确认患者的CT扫描,101名患者细菌感染肺炎,和86年健康的人。设计网络被pretrained模型相比,ResNet DenseNet, VGG16。提出了设计结果表明,该网络优于其他模型的AUC分数达到0.92和0.95形象和人类的水平。

除了COVID-19 / non-COVID-19分类、汉et al。44分类COVID-19)进行实验,常见的肺炎,肺炎病例3类分类。他们提出AD3D-MIL模型实现了准确性、AUC,科恩kappa评分的94.3%,98.8%,和91.1%,分别。

Ko et al。59)提出了一个模型,一个快速COVID-19分类网络(FCONet)使用VGG16 ResNet-50, InceptionV3,和Xception COVID-19骨干分类图片,其他肺炎,或nonpneumonia。他们认为1194 COVID-19, 264劣质COVID-19(只用于测试),和2239年肺炎,正常的,和其他疾病的CT扫描在他们的研究。所有图像转换成灰度图像格式的尺寸 。他们用旋转和缩放数据扩充过程训练样本的数量最大化。得出结论,基于ResNet-50 FCONet优于其他pretrained模型,取得了96.97%的准确性COVID-19肺炎的外部验证数据集的图像。

李等人。8)提出了一个COVNet区分COVID-19 ResNet50作为骨干,nonpneumonia,社区获得性肺炎。4352年在他们的研究中,从3322名患者被认为是胸部CT扫描。max-pooling操作是应用于功能获得COVNet使用CT系列的切片,和合成功能映射是美联储完全连接层。这将导致生成一个概率得分为每个类。得出结论,该模型实现了敏感性,特异性,和民国AUC分数为90%,96%和0.96,分别为COVID-19类。

倪et al。60]从14435个人认为19291 CT扫描的模型检测COVID-19 CT扫描。他们的模型包括多视点点回归网络的组合(MVPNet), 3 d UNet,和3 d UNet-based网络损伤检测、病灶分割,和叶细分,分别。算法分析了异常的体积和COVID-19诊断病变和胸膜之间的距离,并得出结论,该算法优于三放射科医生的准确性和灵敏度达到94%和100%,分别。表3总结了分类结果COVID-19 / non-COVID-19肺炎病例。
类。 主题 数据集 方法 参议员(%)或召回 规范。(%) 前的。(%) Acc。(%) AUC (%) F1-score Ref。
COVID-19 influ-A /正常 219年COVID-19
224年influ-A
175正常		 私人 美国有线电视新闻网
ResNet		 86.7 N /一个 81.3 N /一个 N /一个 83.9 徐et al。52]
同行评议
COVID-19 / CT-EGFR 1266年COVID-19
4106年CT-EGFR		 私人 COVID19Net (DenseNet-like str)。 79.35 71.43 N /一个 85.00 86.00 90.11 王等人。53]
同行评议
COVID-19 /其他轮胎。 521年COVID-19
397正常
76 bac。个轮胎。
48非典		 (26,47] 戴斯。莱纳姆:
ShuffleNet V2		 85.71 84.88 N /一个 85.40 92.22 N /一个 胡锦涛et al。(10]
预印
COVID-19 /其他轮胎。 521年COVID-19
665年non-COVID-19轮胎。		 私人 款
EfficientNet B4		 95年 96年 N /一个 96年 95年 N /一个 白等。54]
同行评议
COVID-19 /帽 1495年COVID-19
1027年帽		 私人 多视图表示学习 96.6 93.2 N /一个 95.5 NA N /一个 康等。56]
同行评议
COVID-19 /帽 1658年COVID-19
1027年帽		 私人 RF-based毫升模型 90.7 83.3 N /一个 87.9 94.2 N /一个 施等。57]
预印
COVID-19 / bac。pneu. /正常 88年COVID-19
101 bac。个轮胎。
86正常		 私人 DRE-Net 96年 N /一个 79年 86年 95年 87年 应等。58]
预印
COVID-19 /其他pneu. / non-pneu。 230年COVID-19
100正常		 私人 AD3D-MIL 90.5 NA 95.9 94.3 98.8 92.3 汉et al。44]
同行评议
COVID-19 /其他pneu. / non-pneu。 1194年COVID-19
其他1357个轮胎。
998正常
444年肺癌		 私人+
(26,47]		 FCONet
ResNet50		 99.58 100.0 NA 99.87 100.0 NA Ko et al。59]
同行评议
COVID-19 /其他pneu. / non-pneu。 1292年COVID-19
1735年肺炎
713 non-pneu。		 私人 COVNet
ResNet50		 90年 96年 NA NA 96.0 NA 李等人。8]
同行评议
COVID-19 /其他pneu. /健康 3854年COVID-19
其他6871个轮胎。
8566名健康		 私人 MVPNet
3 d UNet
3 d UNet-based网络		 One hundred. 25 NA 94年 NA 97.0 倪et al。60]
同行评议
表3
COVID-19 / non-COVID-19肺炎分类结果。类。:分类;bac。个轮胎。:细菌性肺炎;Sens。:敏感性;规范:特异性;前的。:精度; Acc.: accuracy; AUC: area under the curve; Ref.: reference.
3.4。COVID-19严重性分类研究

肖et al。61年)实现pretrained网络ResNet34诊断COVID-19严重性。实验使用5倍交叉验证,23812 408名患者的CT图像被认为是。他们得出的结论是,该模型实现了中华民国AUC得分0.987,和预测质量的检测严重程度和nonseverity的87.50%和78.46%。

朱et al。62年)提出了一个模型,优化了传统的CNN和VGG16阶段COVID-19严重性。公开的数据集被认为是,113 COVID-19确诊病例被用来测试他们的假设。获得分数,分数由放射科医生相比,并得出结论,顶部模型取得了相关系数( )和平均绝对误差分别为8.5%和0.90。

聚氨酯等。63年)提出了一个方法,最初分割肺边界,在两个主要的血管 点使用UNet和注册这两个使用双向弹性图像配准算法。然后,中间的平均密度的肺被用来计算一个阈值来检测区域与肺炎。最后,放射科医生用来代表发展中热量地图精度。在他们的研究中,两个数据集,包括192年CT扫描。表4总结了主要的发现的严重程度量化研究。
类。 主题 数据集 方法 参议员(%)或召回 规范。(%) 前的。(%) AUC (%) Ref。
COVID-19严重/者 23812年COVID-19 私人 ResNet34 N /一个 N /一个 81.3 98.7 肖et al。61年]
同行评议
COVID-19严重程度评分 131年COVID-19 (21] 美国有线电视新闻网
VGG16		 N /一个 N /一个 NA NA 朱et al。62年]
同行评议
COVID-19严重程度和进展 72年COVID-19
120人		 私人 UNet
系统算法		 95年 84年 N /一个 N /一个 聚氨酯等。63年]
同行评议
表4
COVID-19严重性分类结果。类。:分类;Sens。:敏感性;规范:特异性;前的。:精度;AUC:曲线下的面积;裁判:参考。

4所示。讨论

30的13发表文章认为综述发表预印本,虽然他们的17个已发表在期刊同行评议过程后。无论其形式的出版物,机器学习和深入学习这些研究的重点。特别是,深度学习方法如CNN,自动进行特征提取过程,被广泛应用于这些研究。

此外,pretrained网络常用的分割,特征提取,分类阶段。特别是DenseNet121、ResNet50 ShuffleNet V2成功报告的研究人员在分类阶段,而成功的结果产生的图像UNet + +在细分阶段。它是由研究人员指出,许多发达系统建模使用的修改或改进pretrained网络提高分类的准确性COVID-19在CT图像预处理和分割阶段。这表明,广泛使用pretrained网络可以使用非常成功地在图像分类的每个阶段。一些研究人员分类COVID-19情况下使用机器学习技术,而不是使用深度学习方法通过提取图像的特征,取得了较高的识别结果。这会带来至关重要的优势的学习速度。

然而,虽然使用的图像不是标准的,对不同的图像数据库进行实验在每个研究不能够进行综合比较,它有助于推断总体的意见。而 - - - - - -折交叉验证很耗时间,少数使用的研究,大多数研究者进行实验合作方法,使用基于数据集划分成训练和测试集定义的百分比。然而,这使它具有挑战性的分析模型的一致性,但这并没有减少的重要性进行实验,得到的结果,以及人工智能的作用对抗COVID-19。

5。结论

COVID-19继续在全球传播。新的分类和预测模型使用AI,连同更公开的数据集,已经引起越来越多。然而,大多数的研究来自预印本文献,没有同行评议。此外,他们中的许多人有不同的分类任务。一些研究已经进行了非常有限的数据。研究中使用的数据可能来自不同的机构和不同的扫描仪。因此,数据的预处理使射线图像更类似的和统一的重要方面提供更有效的分析和一致性。缺乏人口和临床信息的病人是这些研究的另一个限制。我们相信,随着越来越多的数据集在COVID-19可用,将进行更精确的研究。这些发现承诺为人工智能应用于临床支持系统为医生COVID-19的检测。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

作者的贡献

同类Ozsahin和Boran Sekeroglu贡献同样这项工作。

引用

  1. 世界卫生组织,2020年8月,https://www.who.int/emergencies/diseases/novel -冠状病毒- 2019。
  2. Worldometer, 2020年8月,https://www.worldometers.info/coronavirus/。
  3. j·f·史,j . Wang史et al .,“对人工智能技术在成像数据采集、分类和诊断COVID-19,”在生物医学工程IEEE评论,2020年。视图:出版商的网站|谷歌学术搜索
  4. h·巴姨,谢长廷,z Xiong et al .,”性能的放射科医生区分COVID-19从胸部CT、病毒性肺炎”放射学,卷296,不。2,E46-E54, 2020页。视图:出版商的网站|谷歌学术搜索
  5. y方,h·张,j·谢et al .,”的胸部CT敏感性COVID-19: rt - pcr相比,“放射学,卷296,不。2,E115-E117, 2020页。视图:出版商的网站|谷歌学术搜索
  6. s . s .兔a . n . Tavare诉Dattani,”英国社会的验证胸成像指南COVID-19胸片报告,“临床放射学,卷75,不。9日,2020年。视图:出版商的网站|谷歌学术搜索
  7. f . Pesapane m . Codari和f . Sardanelli人工智能在医学成像:威胁还是机遇?放射科医生在医学创新的前沿,”欧洲放射学实验,卷2,不。1,2018。视图:出版商的网站|谷歌学术搜索
  8. l, l .秦z徐et al .,“使用基于人工智能检测COVID-19和社区获得性肺炎肺CT:评估的诊断准确性,”放射学,卷296,不。2,E65-E71, 2020页。视图:出版商的网站|谷歌学术搜索
  9. m z押沙龙,m . m . s .拉赫曼·m·s·纳斯林·t·m·塔哈和v . k . Asari”COVID MTNet: COVID-19检测与多任务学习方法,“arXiv预印本arXiv,2004年,https://arxiv.org/abs/2004.03747。视图:谷歌学术搜索
  10. 阮r, g, s, m .黄问:梁,j·李,“自动诊断COVID-19使用深度学习和数据在胸部CT增强,”medRxiv,2020,https://medRxiv.org/abs/2020.04.24.20078998。视图:出版商的网站|谷歌学术搜索
  11. 郑h . n . Ma x张,j .太阳”ShuffleNet V2:实用高效的CNN建筑设计指南,”施普林格国际出版卷,11218年,第138 - 122页,2018年。视图:出版商的网站|谷歌学术搜索
  12. o .沙丘状积砂,m . Frid-Adar h·格林斯潘et al .,“快速AI开发周期的冠状病毒(COVID-19)大流行:初步结果进行自动检测和病人监护使用深度学习CT图像分析,“arXiv,2020年,https://arXiv: 2003.05037。视图:谷歌学术搜索
  13. h . Kassani·h·k·萨拉·m·j·Wesolowski k·a·施奈德和r .阻止了,“自动检测冠状病毒病(COVID-19)的x线和CT图片:一个基于机器学习的方法,”arXiv,10641卷,2004年。视图:谷歌学术搜索
  14. m·桑德勒a .霍华德·m·朱a . Zhmoginov L.-C。陈,“MobileNetV2:倒残差和线性瓶颈,”2018年IEEE / CVF计算机视觉与模式识别会议,页4510 - 4520,盐湖城,UT,美国,2018年。视图:出版商的网站|谷歌学术搜索
  15. 黄g . l . Van Der Maaten z . Liu和k·温伯格,“人口回旋的网络连接,”《Ieee计算机视觉与模式识别会议火奴鲁鲁,页4700 - 4708年,嗨,美国,2017年。视图:谷歌学术搜索
  16. f . Chollet”与切除可分离旋转Xception:深入学习,”2017年IEEE计算机视觉与模式识别会议(CVPR)火奴鲁鲁,页1800 - 1807年,嗨,美国,2017年。视图:出版商的网站|谷歌学术搜索
  17. c . Szegedy诉Vanhoucke约飞,j . Shlens z . Wojna,“重新考虑初始计算机视觉架构,”2016年IEEE计算机视觉与模式识别会议(CVPR)拉斯维加斯,页2818 - 2826年,NV,美国,2016年。视图:出版商的网站|谷歌学术搜索
  18. c . Szegedy s Ioffe诉Vanhoucke, a . Alemi”Inception-v4 inception-ResNet和剩余连接对学习的影响,AAAI 17日”美国31日AAAI会议上人工智能旧金山,页4278 - 4284年,CA,美国,2017年。视图:谷歌学术搜索
  19. k . x张,他任美国,j .太阳,“深残余学习图像识别,”2016年IEEE计算机视觉与模式识别会议(CVPR)拉斯维加斯,页770 - 778年,2016年NV。视图:出版商的网站|谷歌学术搜索
  20. a·贾斯瓦尔n . Gianchandani d·辛格诉Kumar和m·考尔”分类的COVID-19感染患者使用基于DenseNet201深转移学习,”生物分子结构和动力学杂志》上,1 - 8,2020页。视图:出版商的网站|谷歌学术搜索
  21. j·p·科恩·莫里森l . Dao k·罗斯,t .问:Duong和m . Ghassemi“Covid-19图像数据收集,”arXiv11988卷,2006年,https://github.com/ieee8023/covid-chestxray-dataset。视图:谷歌学术搜索
  22. Kaggle”RSNA肺炎检测挑战,”2020年,https://www.kaggle.com/c/rsna-pneumonia-detection-challenge。视图:谷歌学术搜索
  23. Kaggle”SARS-COV-2图中显示的数据集,”https://www.kaggle.com/plameneduardo/sarscov2-ctscan-dataset。视图:谷歌学术搜索
  24. k .匈牙利语和r·温”COVID19数据集”,https://github.com/KevinHuRunWen/COVID-19。视图:谷歌学术搜索
  25. https://github.com/UCSD-AI4H/COVID-CT。
  26. COVID-19数据库,“意大利社会的医疗和介入放射学(形貌),“https://www.sirm.org/en/category/articles/covid-19-database/。视图:谷歌学术搜索
  27. ChainZ,http://www.ChainZ.cn。
  28. s . g . Armato g . McLennan l . Bidaut et al .,“肺图像数据库财团(LIDC)和图像数据库资源计划(IDRI):一个完整的参考数据库肺结节的CT扫描,”医学物理学,38卷,不。2、915 - 931年,2011页。视图:出版商的网站|谷歌学术搜索
  29. Kaggle”,胸部x光图像(肺炎)的数据集,”2020年。视图:谷歌学术搜索
  30. 金,w . Chen y曹et al .,“人工智能系统的开发和评价COVID-19诊断,”MedRxiv,2020,https://medRxiv.org/abs/2020.03.20.20039834。视图:出版商的网站|谷歌学术搜索
  31. a . Depeursinge Vargas, a .普拉登a . Geissbuhler p . a . Poletti h·穆勒,“建立一个参考多媒体数据库为间质性肺疾病,”计算机医学影像和图形,36卷,不。3、227 - 238年,2012页。视图:出版商的网站|谷歌学术搜索
  32. d·辛格诉Kumar m·k·利·m·考尔,“分类COVID-19患者胸部CT图像,采用多目标微分基于进化学的卷积神经网络”欧洲临床微生物学和传染病》杂志上,39卷,不。7,1379 - 1389年,2020页。视图:出版商的网站|谷歌学术搜索
  33. a . Amyar r . Modzelewski,阮,“多任务基于深度学习的ct成像分析covid-19:分类和分割,“medRxiv,2020,https://medRxiv.org/abs/2020.04.16.20064709。视图:出版商的网站|谷歌学术搜索
  34. s . Ahuja b . k . Panigrahi:戴伊,t·甘地和诉Rajinikanth,“深上优于自动检测COVID-19转移肺部CT扫描片,”应用智能,2020年。视图:出版商的网站|谷歌学术搜索
  35. b . Liu x高,m .他l . Liu和g .阴”快速在线COVID-19与胸部CT扫描,诊断系统”知识发现(KDD) 2020年学报》美国,纽约,纽约,2020年。视图:谷歌学术搜索
  36. m . Barstugan美国Ozkaya, s . Ozturk”冠状病毒(COVID-19)分类使用CT图像的机器学习方法,“ArXiv,2020年,https://arXiv: 2003.09424。视图:谷歌学术搜索
  37. 邓x, x,傅问:et al .,”一个weakly-supervised COVID-19框架分类和病变从胸部CT定位,“IEEE医学成像,39卷,不。8,2615 - 2625年,2020页。视图:出版商的网站|谷歌学术搜索
  38. l . j . Chen, j . Zhang et al .,“深上优于模型检测2019新型冠状病毒肺炎在高分辨率计算机断层扫描:一个前瞻性研究,“medRxiv,2020,https://medRxiv.org/abs/2020.02.25.20021568。视图:出版商的网站|谷歌学术搜索
  39. 金,b . Wang徐h . et al .,“AI-assisted CT成像分析COVID-19筛查:构建和部署一个医学人工智能系统在四个星期,”medRxiv,2020,https://medRxiv.org/abs/2020.03.19.20039354。视图:出版商的网站|谷歌学术搜索
  40. h . j . y . Chen Li, x, s .燕和j .冯“双重路径网络”31日会议上的神经信息处理系统(少量的2017)长滩,页4467 - 4475年,CA,美国,2017年。视图:谷歌学术搜索
  41. 江m . f . Wang, c .钱et al .,“剩余关注网络图像分类,”2017年IEEE计算机视觉与模式识别会议(CVPR)火奴鲁鲁,页3156 - 3164年,嗨,美国,2017年。视图:出版商的网站|谷歌学术搜索
  42. y帕沙克,p . k . Shukla女子,斯大林,美国辛格和p·k·舒克拉,“深转移学习建立分类模型COVID-19疾病,”IRBM,2020年。视图:出版商的网站|谷歌学术搜索
  43. m . Polsinelli l .五、g . Placidi”光CNN检测COVID-19从胸部CT扫描,”arXiv预印本arXiv,12837卷,2004年。视图:谷歌学术搜索
  44. z汉、魏,y香港et al .,“准确筛选COVID-19使用基于注意力的深3 d多实例学习,”IEEE医学成像,39卷,不。8,2584 - 2594年,2020页。视图:出版商的网站|谷歌学术搜索
  45. s a·哈蒙t·h·桑福德s徐et al .,“人工智能的检测COVID-19肺炎在胸部CT使用跨国数据集,“自然通讯,11卷,不。1,p。4080年,2020。视图:出版商的网站|谷歌学术搜索
  46. 曾x, x、b .刘和y Yu”COVID-19感染呈现与CT光环迹象,”Radiol Cardiothorac成像,卷2,不。1,文章e200026, 2020。视图:出版商的网站|谷歌学术搜索
  47. j .赵张y、x他和p .谢”对covid-19 Covid-ct-dataset: ct扫描数据集,”arXiv预印本arXiv,13865卷,2003年。视图:谷歌学术搜索
  48. “COVID-19 CT数据集分割”,http://medicalsegmentation.com/covid19/。视图:谷歌学术搜索
  49. COVID-CT数据集,https://github.com/UCSD-AI4H/COVID-CT。
  50. x, x, s . Zhang et al .,“Sample-efficient深度学习covid-19诊断ct扫描的基础上,“medRxiv,2020,https://medRxiv.org/abs/2020.04.13.20063941。视图:出版商的网站|谷歌学术搜索
  51. Chowdhury m·e·h·t·拉赫曼a Khandakar et al .,“人工智能可以帮助筛选病毒和covid-19肺炎?arXiv预印本arXiv》13145卷,2003。视图:谷歌学术搜索
  52. 江x, x, c . Ma et al .,“深入学习系统筛选新型冠状病毒疾病2019肺炎,“工程,2020年。视图:出版商的网站|谷歌学术搜索
  53. s . Wang y咋,w .李et al .,“全自动COVID-19深度学习系统的诊断和预后分析,“欧洲呼吸杂志卷,56号2,2000775条,2020年。视图:出版商的网站|谷歌学术搜索
  54. z h . x呗,r . Wang Xiong et al .,”艾未未增加肺炎的放射学家在区分COVID-19其他病因胸部CT,”放射学,卷296,不。3,E156-E165, 2020页。视图:出版商的网站|谷歌学术搜索
  55. m . Tan和问:诉Le“EfficientNet:反思为卷积神经网络模型扩展,“arXiv eprint,11946卷,1905年。视图:谷歌学术搜索
  56. h·康l .夏f .严et al .,“冠状病毒疾病的诊断2019 (covid-19)结构化潜伏学习多视点表示,“IEEE医学成像,39卷,不。8,2606 - 2614年,2020页。视图:出版商的网站|谷歌学术搜索
  57. f·史,l .夏f·山et al .,“大规模筛选COVID-19使用感染size-aware从社区获得性肺炎的分类,“arXiv,2003年,https://arXiv: 2003.09860。视图:谷歌学术搜索
  58. y的歌,郑,李l . et al .,“深度学习使准确诊断的新型冠状病毒(COVID-19)与CT图像,”MedRxiv,2020,https://medRxiv.org/abs/2020.02.23.20026930。视图:出版商的网站|谷歌学术搜索
  59. h . Ko, h .涌,w·s·康et al .,“COVID-19肺炎诊断使用一个简单的二维深度学习框架与一个胸部CT图像:模型开发和验证,”医学网络研究杂志》上,22卷,不。6篇文章e19569 2020。视图:出版商的网站|谷歌学术搜索
  60. 问:倪,z太阳,l . Qi et al .,“深度学习的方法来描述2019年冠状病毒病(COVID-19)肺炎在胸部CT图像,”欧洲放射学,1 - 11,2020页。视图:出版商的网站|谷歌学术搜索
  61. f·l·肖,p . Li太阳et al .,“开发和验证使用计算机断层扫描成像深度上优于模型预测2019年冠状病毒疾病疾病严重程度,“在生物工程和生物技术前沿,8卷,2020年。视图:出版商的网站|谷歌学术搜索
  62. j .朱沈,a . Abbasi m . Hoshmand-Kochi h·李和t .问:Duong“深转移学习人工智能准确阶段COVID-19便携式胸片肺部疾病的严重程度,”《公共科学图书馆•综合》,15卷,不。7篇文章e0236621 2020。视图:出版商的网站|谷歌学术搜索
  63. j . Pu j . k .领袖,a也免不了et al .,“自动量化COVID-19严重程度和发展使用胸部CT图像,”欧洲放射学,2020年。视图:出版商的网站|谷歌学术搜索

版权©2020年同类Ozsahin等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点16569年
下载1733年
引用

相关文章

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。