不同机器学习方法对新型冠状病毒感染与社区获得性肺炎鉴别诊断分析

作者：康兆庭; 欧阳雪晖; 柴军^*

来源：CT理论与应用研究, 2023, 32(05): 685-694.

DOI：10.15953/j.ctta.2023.079

• CT
• Attention-MIL模型
• COVID-19
• 社区获得性肺炎

目的：利用深度学习技术，全自动标注病变的计算机断层扫描（CT）数据，开发准确快速区分新型冠状病毒感染（COVID-19）和其他社区获得性肺炎的人工智能模型。方法：回顾性分析248例COVID-19患者及347例其他肺炎患者的资料，进行COVID-19与其他肺炎分类；在人工智能肺分割提取后将异常的CT图像特征降维，输入几种经典强化机器学习模型、三维卷积神经网络（3D CNN）和注意力多示例学习（Attention-MIL）深层神经网络架构中，模型诊断性能利用受试者工作特性（ROC）曲线、精确召回率（PR）曲线、曲线下面积（AUC）、敏感性、特异性、准确性指标进行评价。结果：在经典机器学习模型中K邻近算法（KNN）具有较好的效果，在外部测试集上的AUC值和平均精度（AP）值分别为0.79和0.89，平衡F分数（F1）值为0.76，准确率为0.75，敏感性为0.76，精确率为0.77；经典的3D CNN在外部测试集上效果良好，AUC值和AP值分别为0.64和0.82,F1值为0.71，准确率为0.78，敏感性为0.66，精确率为0.62;Attention-MIL模型在外部测试集上表现出更好的鲁棒性，AUC值和AP值分别为0.85和0.94,F1值达到0.82，准确率为0.92，敏感性为0.74，精确率为0.76。结论：与强化影像组学和3D CNN模型相比，深度学习Attention-MIL模型在鉴别诊断COVID-19和其他社区获得性肺炎上表现出更高的效能。

• 单位
  内蒙古自治区人民医院