对缺失数据具鲁棒性的深度学习：一种 COVID-19 检测新方法
图像与视频处理
2021-08-03 v2 计算机视觉与模式识别
摘要
在当前全球大流行及 RT-PCR 检测局限性的背景下，我们提出了一种新颖的深度学习架构 DFCN（去噪全连接网络）。由于全球医疗机构在可用的实验室检测或胸部影像方面差异巨大，DFCN 被设计为对缺失输入数据具有鲁棒性。一项消融研究广泛评估了 DFCN 的性能优势及其对缺失输入的鲁棒性。来自两家独立医疗机构的 1088 名经 RT-PCR 确诊患者的数据被获取，数据包含 27 项实验室检测结果及由深度学习模型评分的胸部 X 光片。训练与测试数据集取自不同医疗机构。数据已公开。DFCN 在预测 RT-PCR 结果上的性能与 3 种相关架构及一个随机森林基线进行比较。所有模型均以不同比例的掩码输入数据进行训练，以促使对缺失输入具备鲁棒性。在测试时通过随机掩码输入来模拟缺失数据。在使用含 2–27 个可用输入的随机输入子集时，DFCN 以统计显著性优于所有其他模型。当全部 28 个输入可用时，DFCN 的 AUC 为 0.924，高于任何其他模型。此外，在分别仅含 6 和 7 个参数的临床有意义子集下，DFCN 取得了高于任何模型的 AUC，分别为 0.909 和 0.919。
引用
@article{arxiv.2103.13833,
title = {Deep Learning with robustness to missing data: A novel approach to the detection of COVID-19},
author = {Erdi Çallı and Keelin Murphy and Steef Kurstjens and Tijs Samson and Robert Herpers and Henk Smits and Matthieu Rutten and Bram van Ginneken},
journal= {arXiv preprint arXiv:2103.13833},
year = {2021}
}