从实验室到口袋：基于持续学习的新型移动应用用于新冠筛查

人工智能（AI）已成为从医学影像中预测新冠病毒的有前景工具。本文提出一种基于持续学习的新方法，并展示了用于筛查新冠的移动应用的设计与实现。我们的方法能够适应不断变化的数据集，包括来自不同地点或医院收集的数据、不同病毒株以及多样化的临床表现，无需从头重新训练。我们评估了用于检测新冠的先进持续学习方法，并为移动应用选取了表现最好的模型。我们评估了各种深度学习架构，以选择作为持续学习基础模型的最佳性能模型。测试了基于正则化和基于记忆的方法进行持续学习，使用不同的记忆大小开发出最佳持续学习模型以适应我们的应用。DenseNet161 作为最佳基础模型，准确率达96.87%；Learning without Forgetting（LwF）是最佳持续学习方法，整体性能达71.99%。移动应用设计考虑了患者和医生的角度。它将持续学习 DenseNet161 LwF 模型部署在云端服务器上，使模型能够从新的胸腔 X 光片及其分类中学习。该应用经过设计、实现和评估，确保为新冠筛查提供高效工具。该应用可从 https://github.com/DannyFGitHub/COVID-19PneumoCheckApp 下载。