机器学习在大型多中心队列中使用胸部 CT 自动检测 COVID-19
图像与视频处理
2020-10-13 v3 计算机视觉与模式识别
机器学习
摘要
目的：研究使用胸部 CT 检测 COVID-19 并与其他肺炎、间质性肺病（ILD）和正常 CT 鉴别的机器学习分类器与可解释模型。方法：我们的回顾性多机构研究从 16 家机构获得了 2096 例胸部 CT（包括 1077 例 COVID-19 患者）。训练/测试队列包括 927/100 例 COVID-19、388/33 例 ILD、189/33 例其他肺炎以及 559/34 例正常（无病变）CT。基于度量的 COVID-19 分类方法使用可解释特征，依赖逻辑回归与随机森林。基于深度学习的分类器通过直接从 CT 衰减和肺实质 opacity 概率分布提取的 3D 特征来区分 COVID-19。结果：COVID-19 最具判别力的特征是肺实质 opacity 百分比以及外周和基底为主 opacity，与文献中 COVID-19 的典型表征一致。无监督层次聚类比较了 COVID-19 与对照队列间的特征分布。基于度量的分类器达到了 AUC=0.83、灵敏度=0.74、特异度=0.79，而基于 DL 的分类器分别对应 0.93、0.90 和 0.83。大部分模糊性来自与 COVID-19 表现重叠的非 COVID-19 肺炎以及轻度 COVID-19 病例。非 COVID-19 分类性能为 ILD 91%、其他肺炎 64%、无病变 94%，这表明我们的方法针对不同对照组构成具有鲁棒性。结论：我们的新方法使用源自胸部 CT 的定量影像特征准确区分 COVID-19 与其他类型肺炎、ILD 和无病变 CT，同时平衡了结果可解释性与分类性能，因此可能有助于促进 COVID-19 的诊断。
引用
@article{arxiv.2006.04998,
title = {Machine Learning Automatically Detects COVID-19 using Chest CTs in a Large Multicenter Cohort},
author = {Eduardo Jose Mortani Barbosa and Bogdan Georgescu and Shikha Chaganti and Gorka Bastarrika Aleman and Jordi Broncano Cabrero and Guillaume Chabin and Thomas Flohr and Philippe Grenier and Sasa Grbic and Nakul Gupta and François Mellot and Savvas Nicolaou and Thomas Re and Pina Sanelli and Alexander W. Sauter and Youngjin Yoo and Valentin Ziebandt and Dorin Comaniciu},
journal= {arXiv preprint arXiv:2006.04998},
year = {2020}
}