2012 年就已存在 COVID-19 吗？具有相似指征下 AI 诊断面临的挑战
图像与视频处理
2020-06-25 v1 计算机视觉与模式识别
机器学习
摘要
目的：自近期 COVID-19 暴发以来，大量研究论文将基于深度学习的图像处理应用于胸部 X 光片以检测该疾病。为测试两种顶级 CXR COVID-19 诊断模型在外部数据集上的性能以评估模型泛化性。方法：本文中，我们就现有深度学习模型用于 COVID-19 诊断的效率与适用性提出论点。我们提供两个流行模型——COVID-Net 与 CoroNet 在三个公开可用数据集及一个 2020 年 1 月至 5 月由 EMORY 医院收集的额外机构数据集上的评估结果，后者包含经 RT-PCR 检测 COVID-19 感染的患者。结果：COVID-Net 在 ChexPert（55.3%）与 MIMIC-CXR（23.4%）数据集上均有较高假阳性率（FPR）。在 EMORY 数据集上，COVID-Net 敏感性为 61.4%、F1 分数 0.54、精确率 0.49。CoroNet 模型的 FPR 在所有数据集上较 COVID-Net 显著更低——EMORY（9.1%）、ChexPert（1.3%）、ChestX-ray14（0.02%）、MIMIC-CXR（0.06%）。结论：这些模型在内部数据集上报告了良好至优异的性能，然而我们从测试观察到其在外部数据上性能急剧恶化。这可能源于若干原因，包括因缺乏适当对照患者和真值标签导致的模型过拟合。第四个机构数据集使用 RT-PCR 标注，其可呈放射学表现阴性而检测阳性，反之亦然。因此，临床与放射学数据的融合模型可能具备更优性能与泛化能力。
引用
@article{arxiv.2006.13262,
title = {Was there COVID-19 back in 2012? Challenge for AI in Diagnosis with Similar Indications},
author = {Imon Banerjee and Priyanshu Sinha and Saptarshi Purkayastha and Nazanin Mashhaditafreshi and Amara Tariq and Jiwoong Jeong and Hari Trivedi and Judy W. Gichoya},
journal= {arXiv preprint arXiv:2006.13262},
year = {2020}
}