华东理工大学 杨沐泓 方霄扬 杨怡婧 光 磊

本文提出了一个基于迁移学习与卷积神经网络的医疗影像自动诊断。在Kaggle新冠肺炎数据集上，F1得分达到0.838。实验结果表明，这种方法在新冠肺炎影像的识别中是有效的。

2020年初，新冠肺炎（Coronavirus,COVID-19）疫情突然爆发。随着病人确诊数量急剧增加，全国各级医院的医疗影像检查需求激增，然而经过专门训练能够对疑似病例的影像进行诊断的专业医生非常少，这就使得准确诊断新冠肺炎变得非常有挑战性。

使用机器学习方法，自主学习医疗影像中特征，进而准确分析近年来，随着人工智能深度学习的飞速发展，使得对影像数据进行深度学习建模成为可能。从2012年的ImageNet大规模视觉识别挑战赛上，Krezhevsky等（Krizhevsky A,Sutskever I,Hinton G.ImageNet Classification with Deep Convolutional Neural Networks）凭着改进的卷积神经网络（Convolutional Neural Network,CNN）模型得到了最佳的分类效果开始，CNN开始受到人们的重视，在人脸识别、无人驾驶等方面都有杰出的表现。CNN近年正逐渐成为医疗图像分类筛查的标准技术。吕鸿蒙等（吕鸿蒙,赵地,迟学斌.基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断）根据阿尔兹海默症（Alzheimer disease,AD）的特点改进了卷积神经网络AlexNet，得到增强的AlexNet模型，在多种AD分类问题上都得到了高于95%的准确率。Sun等（Sun W,Zheng B,Qian W.Computer aided lung cancer diagnosis with deep learning algorithms）在肺图像数据集联盟（Lung Image Database Consortium,LIDC）上对使用深度学习算法进行肺部疾病诊断进行了可行性测试。实验中发现CNN的准确率为0.7976，高于传统计算机辅助诊断（Computer-Aided Diagnosis,CADx）的正确率0.7940。Wang等（Wang D,Khosla A,Gargeya R,et al.Deep Learning for Identifying Metastatic Breast Cancer）应用深度卷积神经网络GoogleNet来识别转移性乳腺癌，在全视野病理数字切片（whole slide image,WSI）分类任务中ROC曲线下方面积大小（Area Under Curve,AUC）达到0.925。……