在体积CT图像中检测COVID-19的解释深度学习框架与英国胸部成像报告指南协会一致:试点研究
Shereen Fouad1, Muhammad Usman2, Ra'eesa Kabir2
1School of Computer Science and Digital Technologies, Aston University, Birmingham, UK. s.fouad@aston.ac.uk.
Journal of imaging informatics in medicine
|February 26, 2025
概括
这项研究开发了一种深度学习模型,根据英国胸部成像学会 (BSTI) 的指导方针在CT扫描上对COVID-19进行分类. 该模型在排除不确定的病例后达到90%的准确性,有助于放射科医生达成协议.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 胸部成像 胸部成像
背景情况:
- 英国胸部成像学会 (BSTI) 在2020年3月建立了COVID-19报告指南,以标准化CT解释.
- 现有的深度学习 (DL) 模型往往不符合这个标准化的BSTI报告指南.
- 在CT扫描上准确分类COVID-19对于患者管理和流行病学跟踪至关重要.
研究的目的:
- 开发和评估一个多类深度学习 (DL) 模型,将COVID-19 CT发现分类为BSTI类别:"经典"",可能"",不确定的"和"非COVID".
- 评估模型的性能和可解释性,并结合视觉可解释性特征.
- 为了确定DL模型是否可以有效地复制COVID-19检测的标准化放射科医生报告.
主要方法:
- 使用使用3D ResNet架构的多类深度学习框架,在Kinetics-700视频数据集上进行预训练.
- 一个由56个伪匿名CT卷的数据集,来自疑似COVID-19的患者,被一个小专业放射科医生根据BSTI的指导进行了注释.
- 综合了后期视觉可解释性技术,以确定有助于分类决策的图像区域.
主要成果:
- 四类分类模型的整体准确度达到75%.
- 在删除"不确定的"COVID-19类别后,性能显著提高到90%的准确性.
- 该模型在"经典"",可能"和"非COVID"类别中显示出强大的检测能力,但在"不确定的"病例中遇到了困难.
结论:
- 开发的可解释DL模型根据BSTI指南准确分类了"经典"",可能"和"非COVID"类别.
- 该模型对"不确定的"病例的困难反映了在手动放射科医生验证研究中观察到的挑战.
- 这种方法有望提高人工智能辅助的COVID-19CT解释的一致性和准确性.
