深度学习在肺炎与 Covid-19 分类及定位中的进展：定性与定量分析

每年约 4.5 亿人受肺炎影响，导致 250 万死亡。Covid-19 也已影响 1.81 亿人，造成 392 万伤亡。若能早期诊断，这两种疾病的死亡几率可显著降低。然而，当前诊断肺炎（主诉 + 胸部 X 光）和 covid-19（RT-PCR）的方法分别需要专家放射科医师在场和时间。借助深度学习模型，可从胸部 X 光或 CT 扫描中即时检测肺炎和 covid-19。如此，肺炎/Covid-19 的诊断过程可变得更高效和普及。在本文中，我们旨在定性且定量地引出、解释和评估旨在从胸部 X 光与 CT 扫描图像中检测或定位社区获得性肺炎（CAP）、病毒性肺炎和 covid-19 的深度学习方法的重大进展。作为一篇系统性综述，本文重点在于解释那些为手头任务从头修改或创建的深度学习模型架构，并关注泛化能力。对于每个模型，本文回答了为何该模型以此方式设计、特定模型所克服的挑战，以及将模型修改至所需规格所带来的权衡。本文还提供了文中所述所有模型的定量分析，以量化具有相似目标的不同模型的有效性。某些权衡无法量化，因此它们在定性分析中被明确提及，定性分析贯穿全文。通过在一处汇编并分析大量研究细节，包括所有数据集、模型架构与结果，我们旨在为感兴趣该领域的初学者与当前研究者提供一站式解决方案。