使用医学图像进行COVID-19肺炎诊断:基于深度学习的转移学习方法
1Royal Holloway University of London, Egham Hill, Egham, TW20 0EX, United Kingdom, 44 7867304854.
JMIRx med
|September 26, 2025
概括
深度学习模型,特别是DenseNet121,在从医学图像中诊断COVID-19时显示出高准确度. 这种人工智能方法为快速,可扩展的流行病响应提供了一种对突变有弹性的解决方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 传染病诊断 传染病诊断 传染病诊断
背景情况:
- 由于SARS-CoV-2 (COVID-19) 的传染性和不断演变的变种,它继续构成全球健康威胁.
- 全球测试阳性率上升 (截至2025年2月11%),突显了尽管疫苗接种广泛,但诊断方面的持续挑战.
- 较新的变种由于增强宿主细胞结合,增加了传染性和诊断复杂性.
研究的目的:
- 评估深度转移学习,以使用医学成像进行快速,准确和对突变有弹性的COVID-19诊断.
- 评估AI驱动的诊断工具的可扩展性和可访问性.
主要方法:
- 开发了一种使用卷积神经网络 (CNN) 的自动检测系统.
- 评估的模型包括VGG16,ResNet50,ConvNeXtTiny,MobileNet,NASNetMobile和DenseNet121.这些模型都在进行评估.
- 利用胸部X射线和计算机断层扫描 (CT) 图像进行COVID-19检测.
主要成果:
- DenseNet121表现出卓越的性能,达到98%的准确性.
- 对于DenseNet121的关键性能指标包括96.9%的精度,98.9%的回忆,97.9%的F1评分和99.8%的AUC.
- 该模型表现出最小的假阳性/假阴性,表明其可用于临床部署的稳定性.
结论:
- 人工智能驱动的诊断对早期疾病检测和流行病应对具有重大潜力.
- 优化的深度学习模型可以弥合测试差距,特别是在资源有限的环境中或使用新的变体.
- DenseNet121 作为未来人工智能诊断工具开发的基准.
