增强多中心图形卷积网络用于COVID-19诊断

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 图形神经网络 图形神经网络

背景情况:

• 对2019年新冠肺炎 (COVID-19) 诊断的胸部计算机断层扫描 (CT) 扫描通常来自不同的多中心数据集,采用不同的获取协议.
• 这种中心间的异质性对开发强大的诊断模型构成了重大挑战.
• 从多个中心整合数据对于增加样本大小和概括性至关重要.

研究的目的:

• 开发一种有效的方法来诊断COVID-19从多中心胸部CT扫描.
• 解决和减轻医疗成像数据集中中心间异质性的问题.
• 为了提高AI驱动的COVID-19诊断的准确性和可靠性.

主要方法:

• 使用带有幽灵模块和多任务框架的3D卷积神经网络,从CT扫描中提取初始特征.
• 提取的特征被用来构建一个多中心图,考虑中心间异质性和疾病状态.
• 使用增强机制创建了一个增强的多中心图形,用于训练图形卷积网络 (GCN).

主要成果:

• 拟议的增强多中心图形卷积网络 (AM-GCN) 在诊断COVID-19中实现了97.76%的平均准确性.
• 该模型在一个大型数据集上得到验证,包括来自七个医疗中心的2223名COVID-19受试者和2221名正常对照.
• 开发的方法有效地处理来自不同医疗机构的数据异质性.

结论:

• AM-GCN模型在使用多中心胸部CT数据诊断COVID-19时表现出高性能和稳定性.
• 该方法成功地解决了医学成像AI中中心间异质性的挑战.
• 公开可用的代码有助于进一步研究和临床应用这种诊断工具.