基于 CT 的新冠肺炎分诊：深度多任务学习改进联合识别与严重程度量化

当前的新冠肺炎大流行使包括放射科在内的医疗保健系统超负荷运转。尽管已开发出几种深度学习方法来辅助 CT 分析，但尚未有人将检查分诊直接视为计算机科学问题。我们描述了两种基本设置：识别新冠肺炎以优先处理潜在感染患者的检查，尽早将其隔离；严重程度量化以突出重症患者的检查，并将其转送至医院或提供紧急医疗护理。我们将这些任务形式化为二元分类和受影响肺部百分比的估计。尽管类似的问题已被分别充分研究，但我们表明，现有方法仅在其中一种设置中能提供合理的质量。我们采用多任务方法来整合这两种分诊途径，并提出一个卷积神经网络，将所有可用标签结合在单一模型中。与最流行的多任务方法不同，我们将分类层添加到 U-Net 中空间细节最丰富的上部，而不是底部细节较少的潜在表示中。我们在约 2000 项公开可用的 CT 检查上训练了我们的模型，并使用由 32 项新冠肺炎检查、30 例细菌性肺炎、31 名健康患者和 30 名患有其他肺部病变的患者组成的精心设计的数据集进行测试，以模拟门诊医院的典型患者流。所提出的多任务模型优于基于潜在表示的模型，在新冠肺炎识别方面的 ROC AUC 得分范围从 0.87+-01（细菌性肺炎）到 0.97+-01（健康对照），在严重程度量化方面的 Spearman 相关系数为 0.97+-01。我们发布了所有代码并创建了一个公开排行榜，其他社区成员可以在我们的测试数据集上测试他们的模型。