基于自监督表示学习与多图像预测的 COVID-19 预后判断
计算机视觉与模式识别
2021-01-26 v2 机器学习
摘要
近几个月 COVID-19 病例的快速蔓延使医院资源紧张，使得对就诊于急诊科的患者进行快速而准确的分诊成为必要。利用胸片（chest X-rays）等临床数据的机器学习技术已被用于预测哪些患者恶化风险最高。我们考虑基于胸片预测两类患者恶化的任务：不良事件恶化（即转入重症监护室、插管或死亡）以及每日吸氧需求超过 6 L。由于 COVID-19 患者数据相对稀缺，现有方案利用在相关非 COVID 图像上的有监督预训练，但这受限于预训练数据与目标 COVID-19 患者数据之间的差异。本文中，我们在预训练阶段使用基于动量对比（MoCo）方法的自监督学习，以学习更通用的图像表示用于下游任务。我们给出三个结果。其一是基于单张图像的恶化预测，我们的模型在预测 96 小时内不良事件上达到受试者工作特征曲线下面积（AUC）0.742（有监督预训练为 0.703），在预测 24 小时每日吸氧需求大于 6 L 上达到 AUC 0.765（有监督预训练为 0.749）。我们随后提出一种基于 transformer 的新架构，可处理多张图像序列进行预测，并表明该模型在预测 96 小时不良事件上可达到改进的 AUC 0.786，在预测 96 小时死亡率上达到 AUC 0.848。一项小型试点临床研究提示，我们模型的预测精度与分析相同信息的经验丰富的放射科医生相当。
引用
@article{arxiv.2101.04909,
title = {COVID-19 Prognosis via Self-Supervised Representation Learning and Multi-Image Prediction},
author = {Anuroop Sriram and Matthew Muckley and Koustuv Sinha and Farah Shamout and Joelle Pineau and Krzysztof J. Geras and Lea Azour and Yindalon Aphinyanaphongs and Nafissa Yakubova and William Moore},
journal= {arXiv preprint arXiv:2101.04909},
year = {2021}
}