我国学者在人工智能辅助新冠肺炎影像诊断方面取得进展

图1 面向新冠肺炎影像诊断的自适应注意力深度学习网络AANet

图2 AANet网络相比Deep-COVID等主流深度学习方法，病症定位精准度大幅提升，热点图(saliency map)颜色深度与病症位置匹配度显著提升

在国家自然科学基金项目（批准号：61973087、61773127、62073086）资助下，广东工业大学智能信息处理团队谢胜利、何昭水、吕俊等在人工智能（Artificial Intelligence，AI）辅助新冠肺炎影像诊断方面取得进展。研究成果以“面向COVID-19肺炎X影像诊断的自适应注意力网络（AANet: Adaptive Attention Network for COVID-19 Detection From Chest X-Ray Images）”为题，发表在《IEEE神经网络与学习系统汇刊》（IEEE Transactions on Neural Networks and Learning Systems, IEEE TNNLS）。论文链接：https://ieeexplore.ieee.org/document/9560709。

　　2020年以来，新冠肺炎肆虐全球，造成巨大损失并引发世界性健康危机(世界卫生组织统计指出，截至2021年10月19日，全球累计新冠肺炎确诊240940937例，死亡4903911例)。在新冠肺炎防治方面，快速准确诊断新冠肺炎患者是遏制新冠病毒传播，阻止病毒扩散的关键环节。其中，新冠肺炎诊断的依据主要有核酸检测和医学影像检测，但一些患者核酸检测需2次，甚至有直到第5次才显示阳性的情况。因此，临床上影像检测是新冠肺炎诊断至关重要的手段且被列入《卫健委新冠肺炎诊疗指南（第五版）》。

　　在传统影像诊断中，医生需要结合自身经验逐一查阅影像，主观性强且时间和准确性难以保证，易产生错误判断，在应对爆发性流行病（如新冠肺炎）诊断过程中受到限制。近年来，虽然深度学习等AI技术在影像诊断中取得较好进展，提高了影像诊断速度、准确性和可靠性。但在新冠肺炎影像诊断中，存在病灶边界不清，病灶形态多样且不规则等问题，致使已有的深度学习技术直接应用于新冠肺炎影像诊断时面临着无法准确定位、病灶放射学特征难以检测等挑战。针对以上问题，广东工业大学智能信息处理团队基于注意力机制、可变形卷积理论和方法，提出了“面向新冠肺炎快速影像检测”的自适应注意力深度学习网络AANet（如图1所示）。其分别通过“注意力机制模块”克服因影像病灶边界不清等导致的病症难以准确定位问题，通过“自适应可变形卷积模块”克服因病灶影像形态多样且不规则等导致的新冠放射学特征难以检测问题，从而实现新冠肺炎病症影像的快速检测和准确定位（如图2所示），在新冠肺炎公开数据集COVIDx dataset中的检测准确率高达97%（比国际主流方法Deep-COVID、COVID-Net等提高6%以上）。