深度学习网络选择和优化信息融合用于增强COVID-19检测:一篇文献评论
Olga Adriana Caliman Sturdza1,2, Florin Filip1,2, Monica Terteliu Baitan1,2
1Faculty of Medicine and Biological Sciences, Stefan cel Mare University of Suceava, 720229 Suceava, Romania.
Diagnostics (Basel, Switzerland)
|July 29, 2025
概括
包括视觉转换器在内的深度学习模型显示出使用胸部成像诊断COVID-19肺部异常的前景. 在数据标准化和广泛临床使用的泛化方面仍然存在挑战.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 随着COVID-19的流行,人们越来越需要快速诊断工具.
- 使用胸部成像 (CXR,CT) 的深度学习 (DL) 应用程序已被广泛研究用于COVID-19检测.
研究的目的:
- 审查DL架构的开发和性能,以识别COVID-19肺部异常.
- 探索多式联运诊断系统和信息融合技术.
主要方法:
- 检查深度学习架构,包括卷积神经网络 (CNN) 和视觉转换器 (ViT).
- 分析多式诊断方法,包括肺部超声波,临床数据和咳声音.
- 在数据,特征和决策层面审查信息融合技术.
主要成果:
- 通过转移学习,CNN,特别是ResNet架构,表现出强的性能.
- 视觉转换器 (ViT) 提供卓越的性能,增强可解释性和更低的数据需求.
- 多式联网系统和信息融合提高了诊断准确度.
结论:
- 尽管有希望的结果,但有限/不统一的数据集,域差异,过度匹配和糟糕的概括等挑战阻碍了进步.
- 最近的进展侧重于大数据集,临床AI和数据安全的分布式学习.
- 更广泛的验证,监管批准和持续适应对于临床部署和未来的流行病准备工作至关重要.
