以可解释超声图像分析加速 COVID-19 鉴别诊断
计算机视觉与模式识别
2021-01-14 v1 数据库
数字图书馆
机器学习
图像与视频处理
摘要
控制 COVID-19 大流行在很大程度上依赖于快速、安全且高度可用的诊断工具的存在。与 CT 或 X 射线相比，超声具有诸多实用优势，可作为全球适用的首选检查技术。我们提供了由医学专家策划并批准、由三类（COVID-19、细菌性肺炎与健康对照）共 106 段视频组成的最大公开肺部超声（US）数据集。在该数据集上，我们深入研究了深度学习方法对 COVID-19 鉴别诊断的价值。我们提出了一种基于帧的卷积神经网络，可正确分类 COVID-19 超声视频，灵敏度为 0.98±0.04、特异度为 0.91±0.08（基于帧的灵敏度 0.93±0.05，特异度 0.87±0.07）。我们进一步采用类激活图进行肺部生物标志物的时空定位，随后在一项对医学专家的盲法研究中验证了其在人类在环场景中的有效性。为追求可扩展性与鲁棒性，我们执行了消融研究，比较移动端友好、基于帧与基于视频的架构，并通过偶然与认知不确定性估计展示了最佳模型的可靠性。我们期望为迈向可及、高效且可解释的筛查方法的社区努力铺平道路，并已开始对所提方法进行临床验证。数据与代码均公开可用。
引用
@article{arxiv.2009.06116,
title = {Accelerating COVID-19 Differential Diagnosis with Explainable Ultrasound Image Analysis},
author = {Jannis Born and Nina Wiedemann and Gabriel Brändle and Charlotte Buhre and Bastian Rieck and Karsten Borgwardt},
journal= {arXiv preprint arXiv:2009.06116},
year = {2021}
}
备注
8 pages, 4 figures