虚拟与现实：使用 XCAT 体模对胸部计算机断层扫描的 COVID-19 分类器进行外部验证
摘要
医学影像中人工智能模型的研究一直受泛化能力差所困扰。在过去一年中，随着深度学习用于 COVID-19 诊断的众多应用，该问题尤为令人担忧。虚拟成像试验（VITs）可为这些模型的客观评估提供解决方案。在这项利用 VITs 的工作中，我们创建了 CVIT-COVID 数据集，包含来自模拟 COVID-19 与正常体模模型在不同 COVID-19 形态和成像特性下的 180 张虚拟成像计算机断层扫描（CT）图像。我们评估了一个来自滑铁卢大学、用多机构数据训练的开源深度学习模型，以及一个用名为 MosMed 的开放临床数据集训练的室内模型。我们进一步针对 305 张 CT 图像的开放临床数据验证模型性能，以理解虚拟与真实临床数据性能的差异。该开源模型在原始滑铁卢数据集上发布时性能近乎完美，但在另一临床数据集（AUC=0.77）和我们模拟的 CVIT-COVID 数据集（AUC=0.55）的外部测试中表现出持续的性能下降。室内模型在内部测试集（MosMed 测试集）上测试时达到 0.87 的 AUC。然而，在临床数据集和我们的模拟 CVIT-COVID 数据集上评估时，性能分别降至 0.65 和 0.69 的 AUC。VIT 框架提供了对成像条件的控制，使我们能够展示当 CT 曝光量从 28.5 变为 57 mAs 时性能无变化。VIT 框架还提供了体素级真值，揭示室内模型在弥漫性 COVID-19 感染尺寸 >2.65% 肺体积时性能高得多（AUC=0.87），而病灶性疾病 <2.65% 体积时 AUC=0.52。该虚拟成像框架实现了这些独特严谨的模型性能分析。
引用
@article{arxiv.2203.03074,
title = {Virtual vs. Reality: External Validation of COVID-19 Classifiers using XCAT Phantoms for Chest Computed Tomography},
author = {Fakrul Islam Tushar and Ehsan Abadi and Saman Sotoudeh-Paima and Rafael B. Fricks and Maciej A. Mazurowski and W. Paul Segars and Ehsan Samei and Joseph Y. Lo},
journal= {arXiv preprint arXiv:2203.03074},
year = {2022}
}
备注
7 pages, 5 figures, 2 tables, presented at the Medical Imaging 2022: Computer-Aided Diagnosis, 2022