《表3 筛查任务和病变评估任务的实验结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《COVID-19 CT影像智能诊断系统》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在智能诊断模型AGSA中，VGG-16被采用作为分类网络中特征提取部分的主干网络，并将其最后一层卷积层通过全局池化，得到512维的特征向量。为了评估本文提出的模型的性能和效率，一个VGG-16(VGG(2D））以及与VGG-16具有相同网络结构的VGG(3D）被作为基准，其输入为患者全肺图像。图6为AGSA和VGG(3D）及VGG(2D）在筛查和病变评估任务中的特征曲线。从图6可以看出，AGSA的AUC(area under curve）总是大于VGG(3D）和VGG(2D）的AUC。本文提出的模型和基线在相同实验数据上的实验结果如表3所示。在性能和效率方面，AGSA明显优于基于VGG(2D）和VGG(3D）的VGG模型。对于COVID-19的早期筛选任务，AGSA的准确率为86.87%，比VGG(2D）精确13%，比VGG(3D）精确12%。对于病变评估任务，AGSA的准确率为98.03%，比VGG(2D）精确12%，比VGG(3D）精确10%。事实上，COV‐ID-19在放射学图像上的表现与其他肺部疾病之间的区别太过细微，以至于放射科医生难以识别。本文模型的良好性能表明，它有能力区分COVID-19和其他肺部疾病的CT图像的特征。此外，模型仅需要几秒钟就能将COVID-19患者与健康人区分开来。这对尽快隔离患者、控制COVID-19的流行具有重要意义。此外，笔者也在前面的两个数据集评估了模型的效果。由于后续验证数据是在完全真实的医疗机构收集的，模型有潜力推广到更现实的情况，并帮助对抗全球范围内的COVID-19疫情。