[论文解读] A Review on Deep Learning Techniques for the Diagnosis of Novel Coronavirus (COVID-19)

Md. Milon Islam, Fakhri Karray+2 more|arXiv (Cornell University)|Aug 9, 2020

COVID-19 diagnosis using AI参考文献 127被引用 27

一句话总结

本文综述了利用医学影像（主要是X光和CT扫描）进行新冠肺炎诊断的深度学习技术。评估了模型、数据集、数据划分策略和性能指标，提出了近期方法的分类体系，并指出了自动化新冠肺炎检测中面临的挑战及未来研究方向。

ABSTRACT

Novel coronavirus (COVID-19) outbreak, has raised a calamitous situation all over the world and has become one of the most acute and severe ailments in the past hundred years. The prevalence rate of COVID-19 is rapidly rising every day throughout the globe. Although no vaccines for this pandemic have been discovered yet, deep learning techniques proved themselves to be a powerful tool in the arsenal used by clinicians for the automatic diagnosis of COVID-19. This paper aims to overview the recently developed systems based on deep learning techniques using different medical imaging modalities like Computer Tomography (CT) and X-ray. This review specifically discusses the systems developed for COVID-19 diagnosis using deep learning techniques and provides insights on well-known data sets used to train these networks. It also highlights the data partitioning techniques and various performance measures developed by researchers in this field. A taxonomy is drawn to categorize the recent works for proper insight. Finally, we conclude by addressing the challenges associated with the use of deep learning methods for COVID-19 detection and probable future trends in this research area. This paper is intended to provide experts (medical or otherwise) and technicians with new insights into the ways deep learning techniques are used in this regard and how they potentially further works in combatting the outbreak of COVID-19.

研究动机与目标

• 提供基于深度学习的自动化新冠肺炎医学影像诊断系统的全面概述。
• 分析并分类近期为从CT和X光图像中检测新冠肺炎而开发的深度学习模型。
• 考察用于训练和验证这些模型的公开可用数据集。
• 评估文献中采用的数据划分技术及性能指标。
• 识别挑战并提出深度学习在新冠肺炎诊断中未来的研究方向。

提出的方法

• 对使用医学影像进行新冠肺炎诊断的深度学习应用的同行评审文献和预印本进行系统性综述。
• 根据架构、输入模态（X光、CT）和任务类型（分类、分割、检测）对模型进行分类。
• 分析广泛使用数据集，如COVID-19-CT、RSNA肺炎检测挑战赛及其他用于训练和评估的数据集。
• 评估模型开发中使用的数据划分策略，包括k折交叉验证和随机划分。
• 比较不同研究中采用的性能指标，如准确率、AUC-ROC、敏感性和特异性。
• 构建分类体系，以模型类型、成像模态和评估协议为基础，对近期工作进行分类与组织。

实验结果

研究问题

• RQ1 在从医学影像中诊断新冠肺炎方面，哪些深度学习架构表现最为有效？
• RQ2 哪些公开数据集最常用于训练和验证新冠肺炎检测模型？
• RQ3 不同的数据划分技术如何影响模型的泛化能力和性能？
• RQ4 该领域中的标准性能指标是什么？这些指标在不同研究之间如何比较？
• RQ5 在临床环境中部署深度学习模型进行新冠肺炎诊断时，存在哪些主要挑战和局限性？

主要发现

• 卷积神经网络（CNNs），特别是基于迁移学习的模型（如VGG、ResNet、DenseNet和DenseNet-201），在分类X光和CT扫描中的新冠肺炎方面表现出高精度。
• COVID-19-CT数据集是使用最频繁的基准之一，多个研究报告其AUC值超过0.95。
• 迁移学习显著提升了模型性能，尤其是在训练数据有限的情况下。
• 不同研究之间的性能差异较大，AUC值范围从0.85到超过0.98不等，具体取决于模型架构和数据质量。
• 数据不平衡和缺乏标准化的评估协议被确定为影响可重复性的主要挑战。
• 本综述强调了需要更大、更多样化且标准化的数据集，以提升模型的鲁棒性和临床适用性。