基于机器学习的COVID-19患者肺部CT图像识别OA

国家卫健委办公厅于2022年3月14日正式发布的《关于印发新型冠状病毒肺炎诊疗方案(试行第九版)》中提出,CT影像学检查在临床前期筛查具有不可替代的作用.为提高临床的CT图像前期筛查效率,该文分别从可视化分析、预测表现和计算效率3个统计测度,在不同的分辨率下利用逻辑回归、随机森林、支持向量机和Fisher线性判别及CNN、Inception网络、Residual网络和LassoNet对3616张患有COVID-19的患者和10192张健康人的肺部CT图像进行分类.实验结果表明,LassoNet具有特征选择的功能,可以直观得到影响CT图像分类的重要特征像素点,模型解释性更强;在图像分辨率为100×100时,Residual网络的分类精度最高为95.30％,AUC最高为0.937,分类时间处于平均水平,取得最佳表现.该实验结果可以进一步提高临床医学的诊断效率,为我国疫情防控常态下人体肺部CT图像的临床识别提供指导.