通过自我监督的对比学习来自动量化COVID-19肺.
Zhaohui Liang1, Zhiyun Xue1, Sivaramakrishnan Rajaraman1
1Computational Health Research Branch, National Library of Medicine, National Institutes of Health, Bethesda, MD, USA.
概括
一个新的自主监督机器学习模型使用mRALE评分准确地在胸部X射线上评估肺的严重程度. 与传统方法相比,这种AI方法显示出更高的性能,有助于COVID-19肺炎评估.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 通过胸部X射线 (CXR) 对肺的评估对于诊断COVID-19肺炎等疾病至关重要.
- 自动评分系统可以提高评估肺的严重程度的效率和一致性.
研究的目的:
- 开发和评估一种自主监督的机器学习方法,用于使用前部CXRs的肺的修改放射评估 (mRALE) 评分系统来自动评估肺的严重程度.
- 将拟议模型的性能与未经预训练和从头开始训练的比较者进行比较.
主要方法:
- 采用了自主监督的对比学习方法,使用语网络 (SimSiam) 架构与预先训练的ResNet-50骨干.
- 该模型为下游深度神经网络生成了2048维的嵌入,以预测mRALE分数.
- 使用5倍交叉验证对2599个前部CXR和外部验证来评估性能.
主要成果:
- 与比较器 (P<0.01) 相比,提出的模型实现了优异的性能,平均绝对误差 (MAE) 为5.05,平均平方误差 (MSE) 为66.67,Spearman相关系数 (Spearman ρ) 为0.77.
- 外部验证表明预测概率一致度为0.811和二次加权的kappa为0.739.
- 对比模型在MSE和Spearman ρ (P>0.05) 中没有显示出统计学上显著的差异.
结论:
- 自主监督的对比学习是自动化mRALE评分的有效策略.
- 开发的方法提供了一种新的方法,用于提高定量医学图像分析中的机器学习性能.
- 这种技术尽量减少了对医学图像学习模式的广泛专家知识的需求.


