基于纵向 X 射线影像的 COVID-19 深度生存分析
图像与视频处理
2021-08-24 v1 计算机视觉与模式识别
摘要
时间-事件分析是分配 ICU 床位等临床资源的重要统计工具。然而，Cox 模型等经典技术因其高维特性无法直接纳入影像。我们提出了一种深度学习方法，自然地将多个随时间变化的影像检查以及非影像数据纳入时间-事件分析。我们的技术在 1,894 名 COVID-19 患者的临床数据集上进行了基准测试，结果表明影像序列显著改善了预测。例如，经典时间-事件方法在预测入院时的 concordance 误差约为 30-40%，而我们的误差在不使用影像时为 25%，在纳入多张 X 射线时为 20%。消融研究表明，我们的模型并未学习到扫描仪伪影等伪特征。虽然我们的关注点和评估针对的是 COVID-19，但所开发的方法具有广泛的适用性。
引用
@article{arxiv.2108.09641,
title = {Deep survival analysis with longitudinal X-rays for COVID-19},
author = {Michelle Shu and Richard Strong Bowen and Charles Herrmann and Gengmo Qi and Michele Santacatterina and Ramin Zabih},
journal= {arXiv preprint arXiv:2108.09641},
year = {2021}
}