COVID-Net：一种专为从胸部 X 射线图像中检测 COVID-19 病例而定制的深度卷积神经网络设计

COVID-19 大流行持续对全球人口的健康与福祉造成破坏性影响。抗击 COVID-19 的关键一步是对感染者进行有效筛查，其中一项关键筛查方法是通过胸部放射摄影进行放射学检查。受此驱动并受研究界开源努力的启发，在本研究中我们推出了 COVID-Net，一种专为从胸部 X 射线（CXR）图像中检测 COVID-19 病例而定制的深度卷积神经网络设计，该设计开源并面向公众开放。据作者所知，COVID-Net 在初始发布时是首批用于从 CXR 图像检测 COVID-19 的开源网络设计之一。我们还推出了 COVIDx，一个我们生成的开放获取基准数据集，包含 13,870 例患者病例的 13,975 张 CXR 图像，据作者所知其包含 publicly available（公开可用）的 COVID-19 阳性病例数量最多。此外，我们尝试使用可解释性方法研究 COVID-Net 如何做出预测，不仅旨在深入了解与 COVID 病例相关的关键因素（可帮助临床医生改进筛查），还以负责任和透明的方式对 COVID-Net 进行审计，以验证其决策基于来自 CXR 图像的相关信息。这绝非生产就绪的解决方案，我们希望开放获取的 COVID-Net 以及关于构建开源 COVIDx 数据集的说明，能被研究人员和公民数据科学家共同利用并进一步发展，以加速开发用于检测 COVID-19 病例的高度准确且实用的深度学习解决方案，并加速最需要者接受治疗。