|
|
| QB | 前沿研究：COVIDX：计算机辅助从胸部X光扫描中诊断COVID-19及预测其严重程度 |
|
论文标题：COVIDX: Computer-aided diagnosis of COVID-19 and its severity prediction with raw digital chest X-ray scans(COVIDX：计算机辅助从胸部X光扫描中诊断COVID-19及预测其严重程度)
期刊：Quantitative Biology
作者：Wajid Arshad Abbasi, Syed Ali Abbas, Saiqa Andleeb, Maryum Bibi, Fiaz Majeed, Abdul Jaleel, Muhammad Naveed Akhtar
发表时间：07 Jul 2022
DOI：10.15302/J-QB-021-0278
微信链接：点击此处阅读微信文章
冠状病毒病（COVID-19）是由严重急性呼吸系统综合症冠状病毒-2（SARS-COV-2）引起的传染性感染。根据医学专家的说法，这种疾病主要感染人类的呼吸系统，通过干咳、呼吸困难、发烧、疲劳和肺衰竭等症状引发严重的肺炎。大多数情况下，RT-PCR是识别病毒感染的常见分析工作。然而，诊断COVID-19的临床RT-PCR筛选试验是复杂的、昂贵的、并且费时费力。因此，迫切需要一些可以有效地快速诊断和隔离患病病人的替代和简单的筛选系统。
X光成像是一种常见的无创指示性方法，支持医生分析和治疗几种感染。胸部X光（CXR）通常被用来评估肺部、心脏和胸壁的健康状况。CXR在对各种呼吸道不规则现象的试验性调查中也发挥着关键作用，也有潜力作为诊断COVID-19的替代方案。然而，一些研究表明，被COVID-19感染的患者的CXR图像显示出各种特征，人工诊断时难以区分。此外，目前患者的大量增加也使得专家诊断难以及时完成。为了应对这种情况，一些可靠准确的计算机辅助诊断（CAD）系统是时代的需要。
机器学习已经成功应用于许多临床和放射学研究中，也有许多文献利用CXR识别冠状病毒感染。他们使用了不同的训练集，大多基于使用卷积神经网络（CNN）的深度学习方法。然而，深度学习通常需要大量的时间和数据，这有时是不可行的。为了解决这些问题，有人使用经典机器学习方法，基于多数投票和手工提取图像纹理的技术，然而性能上还有很大提升空间。同时，据作者所知，几乎所有的相关建议研究都只关注COVID-19的诊断，没有发现任何预测其严重程度的方法。另一个阻碍用户使用的问题是，已有的CAD研究仅在文章的方法部分介绍了技术细节，而没有给出用户友好的界面供该领域的从业者正确使用。为了弥补这些漏洞或缺陷，来自巴基斯坦University of Azad Jammu & Kashmir的Wajid Arshad Abbasi团队提出了一个基于机器学习的计算机辅助诊断（CAD）系统，称为COVIDX（利用X射线图像检测COVID-19）。该系统整合了迁移学习和传统的机器学习方法，利用数字X射线扫描识别冠状病毒并预测其严重程度。作者还提供了一个易于访问的网络服务器，开源的python代码也一并免费提供。相关论文“COVIDX: Computer-aided diagnosis of COVID-19 and its severity prediction with raw digital chest X-ray scans”（点击文末“阅读原文”下载PDF全文）发表在Quantitative Biology期刊上。
全文概要
COVIDX根据现有数据将COVID-19诊断任务分为三个子任务：（1）将X射线图像分类为健康与不健康，（2）将X射线图像分类为COVID-19与普通肺炎，以及（3）COVID-19严重程度预测。为实现这一目的，作者组合使用了多种特征提取方法和机器学习分类方法。具体地说，对于任务一和任务二，作者使用了一个包括健康人、肺炎患者和COVID-19患者的X射线图像数据集，对于任务三，作者使用了包括严重和轻微的COVID-19感染者的X射线图像。这些数据首先经过调整大小、去噪声、提高对比度等预处理，再使用ResNet等预训练模型提取特征，这些提取的特征图经过多种机器学习算法，包括支持向量机（SVM）、梯度提升机（XGBoost）和随机森林（RF），预测出COVID-19的诊断结果和严重程度（图1）。
图1. 本研究所采用的框架图
在任务一上，作者使用了不同特征提取方法与不同分类方法进行组合来比较健康人与患者的X射线图像的性能，结果显示DenseNet121与SVC的组合为最佳，类似的结果也在一个独立的验证数据集上得到验证（表1和表2）。
接下来，作者在任务二（表3和表4）和任务三（表5）上也分别测试了不同特征提取和分类方法的组合性能，与上述一致，都是DenseNet121与SVC取得了最佳结果。
在任务一和任务二上，作者都比较了一个SOTA deep learning方法和SOTA 手工提取特征+经典深度学习的方法，COVIDX在F1、ROC等指标上均具有统计显著的提升。任务三并没有已有方法可以进行比较。
最后，作者认为COVIDX具有良好的准确率和泛化性能，且可以预测疾病的严重程度，这对于为COVID-19感染的病人做出健康重症监护决定和避免不必要地使用有限的重症监护设施非常重要。COVIDX已经部署在网络上，任何人可以公开免费访问，网址是https://sites.google.com/view/wajidarshad/software，代码也已开源。
QB期刊介绍
Quantitative Biology （QB）期刊是由清华大学、北京大学、高教出版社联合创办的全英文学术期刊。QB主要刊登生物信息学、计算生物学、系统生物学、理论生物学和合成生物学的最新研究成果和前沿进展，并为 与计算机、数学、物理等交叉研究领域打造一个学术水平高、可读性强、具有全球影响力的交叉学科期刊品牌。
QB期刊目前已被ESCI, Scopus, CSCD等国内外重要数据库收录。Citescore2021=4.6，预计明年将获得第一个影响因子（IF）。
《前沿》系列英文学术期刊
由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、 、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中13种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。
中国学术前沿期刊网
http://journal.hep.com.cn
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。
