基于胸部CT图像的自动机器学习来识别无症状的COVID-19携带者

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 传染病诊断 传染病诊断 传染病诊断

背景情况:

• 无症状的COVID-19携带者对流行病控制构成重大挑战,因为他们能够未被发现地传播病毒.
• 无症状个体的正常胸部计算机断层扫描 (CT) 可以掩盖疾病的存在.

研究的目的:

• 开发和验证一种自动机器学习 (AutoML) 预测模型,用于使用CT扫描特征识别无症状的COVID-19携带者.
• 评估各种机器学习算法的性能,从CT成像数据中检测无症状的SARS-CoV-2感染.

主要方法:

• 一项涉及无症状COVID-19携带者和健康对照组的回顾性研究.
• CT图像进行了预处理,并使用R.中的H2O包开发了六个机器学习模型,包括随机森林和深度神经网络 (DNN).
• 在独立数据集上使用曲线下的面积 (AUC),准确性,灵敏性和特异性等指标来评估模型性能.

主要成果:

• 深度神经网络 (DNN) 模型实现了最高的性能,在测试组中,曲线下的面积 (AUC) 为0.898.
• DNN模型表现出强大的诊断能力,灵敏度为0.820,特异性为0.854,准确度为0.837.
• 使用局部可解释的模型不可知解释 (LIME) 来理解DNN模型预测中不同变量的贡献.

结论:

• 自动机器学习模型,特别是基于DNN的模型,显示出从CT图像中识别无症状COVID-19载体的巨大潜力.
• 开发的DNN模型是临床实施的一个有希望的工具,有助于早期检测和管理COVID-19.
• 这种人工智能驱动的方法可以提高诊断能力,并有助于控制传染病的传播.