科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 建立基于胸部CT图像的AI模型，实现对细菌、真菌、病毒性(包括COVID-19)肺炎的快速分类预测。方法 回顾性收集2013-2020年就诊于陆军军医大学附属第一医院的559例细菌性、真菌性及非COVID-19病毒性肺炎患者及2020年就诊于重庆大学附属三峡医院的53例COVID-19患者的影像资料，首先利用Resnet＿18、Efficientnet＿b5、ViT、Swin-Transformer等4种典型的深度神经网络构建图像级三分类及四分类预测模型，在独立测试集中进行验证选出最优模型；然后分析采用单张图像和3张图像融合构建数据集对模型的影响；最后分别使用按图像类别占比投票及随机森林2种方法进行患者级分类预测。使用精确率、召回率、特异性、F1值、AUC、准确率评估模型效能，最终筛选出表现最优的AI预测模型。结果 在图像级分类中Swin-Transformer模型表现最佳，三分类准确率为0.932,四分类准确率为0.948。测试Swin-Transformer模型分别采用单张图像和3张图像融合构建数据集的效果，采用融合图像的Swin-Transformer＿C模型效能进一步提升，在测试集中三分类准确率和AUC值分别为0.931、0.989,四分类准确率和AUC值分别为0.952、0.990。使用Swin-Transformer＿C模型进行患者级分类，采用随机森林的方法预测效能更佳，三分类准确率和AUC值分别为0.984、0.987,四分类准确率和AUC值分别为0.967、0.971。Resnet＿18、Efficientent＿b5、Vit等3种网络也取得了较好的效果，但总体效能低于Swin-Transformer网络。结论 基于融合数据建立的深度学习模型Swin-Transformer＿C与其他4种模型相比在图像级分类中效果最佳，其融合随机森林分类器在患者级分类中也取得最优性能。表明深度学习可用于不同病原体感染所致肺炎类型的快速分类预测。
-
单位中国人民解放军陆军军医大学; 第三军医大学; 重庆大学; 第一附属医院放射科
