基于 Transformer 的肺部感染严重程度预测：条件 TransMix 数据增强与跨注意力机制
计算机视觉与模式识别
2025-10-09 v1
摘要
肺部感染，特别是肺炎，构成严重的健康风险，尤其在疫情期间可能迅速恶化。基于医学影像的准确AI驱动的感染严重程度预测对于支持及时临床决策和优化患者预后至关重要。本文提出一种适用于CT扫描和胸X光的新型方法，用于评估肺部感染的严重程度。我们的工作贡献有两个方面：(i) QCross-Att-PVT，一种基于 Transformer 的架构，集成平行编码器、跨门控注意力机制和特征聚合器，以捕获丰富的多尺度特征；(ii) 条件在线 TransMix，一种定制数据增强策略，旨在通过在训练期间生成混合标签图像块来解决数据不平衡问题。在两个基准数据集RALO CXR 和 Per-COVID-19 CT 上进行评估，我们的方法持续优于多个领先的深度学习模型。结果强调了数据增强和门控注意力在提高鲁棒性和预测准确性方面的关键作用。该方法提供了一个可靠、可适应的工具，以支持临床诊断、疾病监测和个体化治疗计划。本工作的源代码可在 https://github.com/bouthainas/QCross-Att-PVT 获取。
引用
@article{arxiv.2510.06887,
title = {Lung Infection Severity Prediction Using Transformers with Conditional TransMix Augmentation and Cross-Attention},
author = {Bouthaina Slika and Fadi Dornaika and Fares Bougourzi and Karim Hammoudi},
journal= {arXiv preprint arXiv:2510.06887},
year = {2025}
}