6篇论文带你了解AI+新冠肺炎最新研究进展
共 5047字,需浏览 11分钟
·
2020-10-22 02:34
作者&编辑:李中梁
前言
目前新冠肺炎在国内已经得到了控制,而在国外还在蔓延。在今年2月份,关于新冠肺炎的病例分析,传染性以及防疫预测相关的医学论文见诸版面。3月至今,以“COVID-19”为关键词在论文预印网站arxiv上搜索,可以得到73个搜索结果。本文将解读6篇用机器学习/深度模型来对COVID-19筛查,分类,预测,防疫,诊断的研究,供大家参考。
论文解读
论文1
《Lung Infection Quantification of COVID-19 in CT Images with Deep Learning》
研究机构:复旦大学上海中心医院放射科,上海大学等摘要
:CT对COVID-19感染的诊断、评估和分期至关重要。对于疾病进展,通常建议每3-5天进行一次随访扫描。据报道,双侧和周边磨砂玻璃混浊(GGO)合并或不合并是COVID-19患者的主要CT表现。然而,由于缺乏计算机量化工具,目前在放射学报告中仅使用定性印象和对感染区域的粗略描述。本文提出了一种基于深度学习(DL)的肺组织分割系统,该系统可以自动量化感兴趣的感染区域(ROIs)及其容积率。通过对300例covid19患者进行300次胸部CT扫描,将自动分割的感染区域与人工划分的感染区域进行对比,评价系统的性能。为了快速人工圈定训练样本和可能的人工干预自动结果,采用了人在环(human-in-the-loop, HITL)策略来协助放射源医师对感染区域进行分割,在3次模型更新后,将总分割时间大大缩短至4分钟。结果显示,全肺平均simiarility系数为91.6%,自动失活与人工失活的符合率为91.6%,感染百分率的平均估计误差(POI)为0.3%。最后,可能的应用,包括但不限于分析后续CT扫描和感染分布的叶和节段相关的临床表现,进行了讨论。数据
:训练集包含249个 COVID-19 病例, 验证集包含300 个 COVID-19 病例。结论
:针对COVID-19患者,开发了一基于深度学习的CT肺部感染区域自动分割系统,使用dice(平均达到91.6% )和POI评价模型,训练的卷积神经网络”VB-Net”(整体结构类Unet)有助于临床诊断,提高诊断效率。
论文地址:https://arxiv.org/abs/2003.04655v2
论文2
《Rapid AI Development Cycle for the Coronavirus (COVID-19)Pandemic: Initial Results for Automated Detection & Patient Monitoring using Deep Learning CT Image Analysis》
科研机构:RADLogics,温州医科大学台州医院,Assistant 医院,马里兰医科大学摘要
:目的:开发基于人工智能的CT图像自动分析工具,用于冠状病毒的检测、定量和跟踪;证明他们可以区分冠状病毒患者和非患者。材料和方法:包括来自中国疫区的多个国际数据集。我们提出了一个系统,利用稳健的二维和三维深度学习模型,修改和适应现有的人工智能模型,并将它们与临床理解相结合。我们进行了多个回顾性实验,分析该系统在检测疑似covid19胸部CT特征方面的性能,并使用3D容积检查评估每个患者疾病随时间的演变,生成冠状动脉评分。该研究包括一组157名国际患者(中国和美国)的测试。结果:在中国控制和感染患者的数据集上,冠状病毒与非冠状病毒的胸部CT分类结果为0.996 AUC (95%CI: 0.989-1.00),98.2%的敏感性,92.2%的特异性。对于冠状病毒患者的时间分析,系统输出能够定量测量较小的混浊度(体积、直径),并在基于切片的热图或三维体积显示中显示较大的混浊度。我们建议的Corona score可以衡量疾病随时间的进展。结论:这项初步研究目前正在向更大的人群推广,表明快速发展的基于人工智能的图像分析可以在检测冠状病毒以及疾病负担的定量和跟踪方面达到较高的准确性。数据
:多个国际数据集结论
:冠状病毒与非冠状病毒的分类结果0.996 AUC(95%CI: 0.989-1.00) ,灵敏性98.2%,特异性92.2%.可视化病灶,同时对病例的进展进行追踪。
论文地址:https://arxiv.org/abs/2003.05037v1
论文3
《Abnormal respiratory patterns classifier may contribute to large-scale screening of people infected with COVID-19 in an accurate and unobtrusive manner》
科研机构:华东师范大学,瑞尔森大学等
这个研究的的出发点很新颖,由于新冠肺炎患者的呼吸模式会与比正常人更加急促,通过使用装置来(深度摄像机Kinect v2)收集呼吸模式
在医疗上,无接触诊断可以帮助到医生减少被感染的风险,这是这个研究的一个积极意义。同时在大规模筛查时可以做到高效率。摘要
:研究意义:在疫情防控期间,我们的研究对基于呼吸特征的COVID-19(新型冠状病毒)感染患者的预后、诊断和筛查有一定的帮助。根据最新的临床研究,COVID-19的呼吸模式不同于流感和普通感冒的呼吸模式。COVID-19出现的一个重要症状是呼吸急促。感染了COVID-19的人呼吸速度更快。我们的研究可以用来区分不同的呼吸模式,我们的装置可以初步投入实际使用。这个方法的演示视频可以在一个主题和两个主题的情况下工作,可以在网上下载。研究内容:准确、远程、不唐突地检测人的呼吸模式异常具有重要意义。在这项工作中,我们创新性地利用深度相机和深度学习来实现这一目标。这项任务的挑战是双重的:真实世界的数据量不足以训练出深入的模型;不同类型呼吸模式的类内变异较大,类外变异较小。本文针对实际呼吸信号的特点,首次提出了一种新颖高效的呼吸仿真模型(RSM),以弥补训练数据量大、真实数据量少的不足。随后,我们首先应用具有双向和注意力机制的GRU神经网络(BI-AT-GRU)来分类6种临床显著的呼吸模式(呼吸暂停、呼吸过速、呼吸过慢、生物呼吸、Cheyne-Stokes和中央呼吸暂停)。所提出的深度模型和建模思想有很大的发展潜力,可以推广到公共场所、睡眠场景、办公环境等大规模应用领域。数据
:通过呼吸模拟系统来生成模拟数据,使用深度摄像机来收集真实数据,测试数据有120,000例,包含6种呼吸模式结论
:BI-AT-GRU效果最好,有助于肺病的大规模筛查。
论文地址:https://arxiv.org/abs/2002.05534v1
论文4
《Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia》
科研机构:浙江大学第一附属医院,温州中心医院等
对新冠肺炎,流感A和健康样本进行3分类训练,建立的早期诊断模型用于新冠肺炎筛查。实验中采用了分割,基于patch分类等策略。摘要
:我们发现实时逆转录聚合酶链反应(RT-PCR)检测痰液或鼻咽癌拭子中病毒RNA的早期阳性率较低,可用于检测covid19(世界卫生组织命名)。COVID-19的CT表现有其自身的特点,不同于其他类型的病毒性肺炎,如流感- a型病毒性肺炎。因此,临床医生呼吁尽快制定另一种对这种新型肺炎的早期诊断标准。本研究的目的是建立一个早期筛查模型,使用深度学习技术区分COVID-19肺炎与流感- a病毒性肺炎以及肺部CT图像的健康病例。首先利用肺部CT图像集的三维深度学习模型对候选感染区域进行分割,将分割后的图像分为COVID-19、flu -a - viral pneumonia和与感染组无关的图像,并使用定位-注意分类模型进行相应的置信度评分。最后用噪声-贝叶斯函数计算该CT病例的感染类型和总置信度。基准数据集的实验结果表明,从CT病例整体来看,整体准确率为86.7%。本研究建立的深度学习模型对COVID-19患者的早期筛查是有效的,是临床一线医生的一种很有前途的辅助诊断方法。数据
:共618张CT,219张CT来自110个COVID-19病人,224张CT来自224个流感A病人,175张CT来自健康样本。结论
:三分类准确率为86.7%
论文地址:https://arxiv.org/abs/2002.09334
论文5
《A machine learning-based model for survival prediction in patients with severe COVID-19 infection》(v3)
《Prediction of criticality in patients with severe Covid-19 infection using three clinical features: a machine learning-based prognostic model with clinical data in Wuhan》(v2)
科研机构:华中科大,同济医院,
这篇论文在medrxiv上有3个版本且标题不同,我以2020.3.17的最近版本为主。
以机器学习模型XGBoost 为基础,使用了三个医学特征:LDH, lymphocytes and hs-CRP。
.摘要
:COVID-19病例的突然增加给全世界的卫生保健服务带来了巨大的压力。在目前阶段,快速、准确和早期的疾病严重程度的临床评估是至关重要的。为了支持卫生保健系统的决策和后勤规划,本研究利用中国武汉地区404名感染患者的血液样本数据库,以确定疾病严重程度的关键预测生物标志物。为此,机器学习工具选择了三种生物标志物来预测单个患者的存活率,准确率超过90%:乳酸脱氢酶(LDH)、淋巴细胞和高敏感性c反应蛋白(hs-CRP)。特别是,相对高水平的LDH似乎在区分需要立即就医的绝大多数病例中发挥了关键作用。这一发现与当前医学知识一致,即高LDH水平与各种疾病的组织破坏有关,包括肺炎等肺部疾病。总之,这篇论文提出了一个简单可行的公式来快速预测高危患者,使他们得到优先考虑,并有可能降低死亡率。数据
:404个病例结论
:这篇论文提出了一个简单可行的公式来快速预测高危患者,使他们得到优先考虑,并有可能降低死亡率。
论文地址:https://www.medrxiv.org/content/10.1101/2020.02.27.20028027v3
论文6
《Artificial Intelligence Distinguishes COVID-19 from Community Acquired Pneumonia on Chest CT》
科研机构:武汉黄陂人民医院,江汉大学附属医院,武汉肺病医院,深圳医学重点实验室等。
该研究期望研制一种胸部CT全自动COVID-19检测系统,并对其性能进行评价。已经发表在放射学顶级杂志《Radiology》上。摘要
:自2020年初以来,冠状病毒病在全球范围内广泛传播。开发基于胸部CT自动准确检测COVID-19的方法是迫切需要的。数据
:收集的数据包括4356例胸部CT检查,来自3322名患者。平均年龄为49±15岁,男性略多于女性(1838 vs 1484;假定值= 0.29)。这些数据收集自2016年8月至2020年2月期间的6家医院。结论
:开发的深度学习模型(COVNet)可以准确地检测COVID-19并将其与社区获得性肺炎等肺部疾病区分开来。独立检测组检测COVID-19的每次检查敏感性和特异性分别为127 (90% [95% CI: 83%, 94%])中的114 (90% [95% CI: 93%, 98%])和307 (96% [95% CI: 93%, 98%])中的294 (90% [95% CI: 93%, 98%]), AUC为0.96 (p-value<0.001)。独立测试集检测CAP的每次考试敏感性和特异性分别为87%(152(175)和92% (239 (259)),AUC为0.95 (95% CI: 0.93, 0.97)。
论文地址:https://pubs.rsna.org/doi/10.1148/radiol.2020200905
总结
围绕COVID-19进行筛查,预测任务的研究已有一些,主要是围绕CT图像使用深度学习模型进行特征提取和分类,也有基于病理学原理建立的机器学习模型,同时还有从其他角度使用无接触方法进行COVID筛查。目前这些研究已有初步成果,各位有志之士可以参考这些工作,进一步分析研究,在祖国大地上做好科研!
仓促成文,不当之处,还望指正。
与我交流
github: https://github.com/keloli
blog: https://www.jianshu.com/u/d055ee434e59
往期回顾之作者李中梁
【1】【TPAMI重磅综述】 SIFT与CNN的碰撞:万字长文回顾图像检索任务十年探索历程(上篇)
【2】【TPAMI重磅综述】 SIFT与CNN的碰撞:万字长文回顾图像检索任务十年探索历程(下篇)
【5】Dropout VS BN: 别在你的网络中使用Dropout
【6】理解Batch Normalization(含实现代码)
【7】Keras使用进阶(Ⅰ)
【8】Python编程神器Jupyter Notebook使用的28个秘诀
机器学习算法工程师
一个用心的公众号
长按,识别,加关注
进群,学习,得帮助
你的关注,我们的热度,
我们一定给你学习最大的帮助