A Review on Deep Learning Techniques for the Diagnosis of Novel Coronavirus (COVID-19)
University of Waterloo（滑铁卢大学）；University of Calgary（卡尔加里大学）
新型冠状病毒（COVID-19）爆发，在全球引发灾难性局面，并已成为过去百年来最严重的疾病之一。COVID-19的流行率在全球每天都在迅速上升。尽管尚未发现针对这一大流行病的疫苗，但深度学习技术已被证明是临床医生用于自动诊断COVID-19的强大工具。本文旨在概述最近开发的基于深度学习技术的系统，这些系统使用不同的医学成像模式，如计算机断层扫描（CT）和X射线。本综述专门讨论了使用深度学习技术为COVID-19诊断开发的系统，并提供了对用于训练这些网络的知名数据集的见解。它还强调了数据分区技术和研究人员在这一领域开发的各种性能指标。为了更好地理解这些作品，本文还对这些作品进行了分类。最后，我们通过解决与使用深度学习方法进行COVID-19检测相关的挑战以及该研究领域可能的未来趋势来总结。本文旨在为专家（医疗或其他）和技术人员提供关于深度学习技术在这方面的使用方式以及它们如何进一步对抗COVID-19爆发的新见解。
2020-08-09 cs.CV cs.LG eess.IV
Rapid AI Development Cycle for the Coronavirus (COVID-19) Pandemic: Initial Results for Automated Detection & Patient Monitoring using Deep Learning CT Image Analysis
RADLogics；Tel-Aviv University（特拉维夫大学）；Affiliated Taizhou Hospital of Wenzhou Medical University（温州医科大学附属台州医院）；Mount Sinai Hospital（西奈山医院）；University of Maryland School of Medicine（马里兰大学医学院）
目的：开发基于人工智能的自动化CT图像分析工具，用于冠状病毒的检测、量化和跟踪;证明它们可以区分冠状病毒患者和非患者。材料和方法：包括来自中国疾病感染地区的多个国际数据集。我们提出了一个系统，该系统利用强大的2D和3D深度学习模型，修改和调整现有的AI模型，并将其与临床理解相结合。我们进行了多项回顾性实验，以分析该系统在检测疑似COVID-19胸部CT特征方面的性能，并使用3D体积检查评估每位患者随时间的疾病演变，生成Corona评分。该研究包括157名国际患者（中国和美国）的测试集。结果如下：根据胸部CT研究，冠状病毒与非冠状病毒病例的分类结果为0.996 AUC（95%CI：0.989-1.00）;基于中国对照和感染患者的数据集。可能的工作点：98.2%的灵敏度，92.2%的特异性。对于冠状病毒患者的时间分析，系统输出可以对较小的不透明度（体积，直径）进行定量测量，并在基于切片的热图或3D体积显示中可视化较大的不透明度。我们建议的Corona评分测量疾病随时间的进展。结论：这项初步研究目前正在扩大到更大的人群，表明快速发展的基于人工智能的图像分析可以实现冠状病毒检测的高准确性以及疾病负担的量化和跟踪。
2020-03-24 cs.CV cs.LG eess.IV
Novel coronavirus pneumonia lesion segmentation in CT images
School of Electrical and Automation Engineering, East China Jiaotong University（华东交通大学电气与自动化工程学院）；School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院）；Technique Center, Hunan Great Wall Technology Information Company Limited（湖南长城科技信息有限公司技术中心）；School of software, East China Jiaotong University（华东交通大学软件学院）
背景：2019年新型冠状病毒病（COVID-19）在全球广泛传播，对人们的生存环境造成巨大威胁。目的：CT成像下，COVID-19病变的结构特征复杂，且在不同病例中差异很大。为了准确定位COVID-19病变并帮助医生制定最佳诊断和治疗方案，提出了一种用于CT图像中COVID-19病变分割的深度监督集成学习网络。研究方法：考虑到大量的COVID-19 CT图像和相应的病变注释难以获得的事实，采用迁移学习策略来弥补这一缺点并减轻过拟合问题。基于传统单一深度学习框架难以有效提取COVID-19病变特征，可能导致部分病变无法检测的现实。为了克服这个问题，提出了一种深度监督集成学习网络，结合局部和全局特征进行COVID-19病变分割。结果：在公开数据集上的实验中验证了该方法的性能。与人工标注相比，该方法获得了0.7279的高交大于并（IoU）。结论：提出了一种基于深度监督集成学习网络的CT图像冠状病毒肺炎病灶分割方法。通过目视检查和定量评价验证了该方法的有效性。实验结果表明，该方法在COVID-19病变分割中具有较好的效果。
2021-12-23 cs.CV cs.LG eess.IV
Impact analysis of recovery cases due to COVID19 using LSTM deep learning model
Charles Sturt University（查尔斯特大学）；Feni University（费尼大学）
当今世界受到新型冠状病毒（COVID-19）的严重影响。使用医疗包来识别冠状病毒感染者非常缓慢。接下来会发生什么，没有人知道。世界正面临着不稳定的问题，不知道在不久的将来会发生什么。本文尝试使用LSTM（长短期记忆）对冠状病毒康复病例进行预测。这项工作利用了258个地区的数据，以及从2020年1月22日到2021年2月27日的403天的死亡人数。具体来说，基于高级深度学习的算法（称为LSTM）在提取时间序列数据（TSD）分析的高度必要特征方面发挥了巨大作用。已经有很多方法用于分析传播预测。本文的主要任务是使用基于LSTM深度学习的架构分析冠状病毒在全球恢复案例中的传播。
2022-09-06 cs.CV cs.LG eess.IV
Insight about Detection, Prediction and Weather Impact of Coronavirus (Covid-19) using Neural Network
North South University（北南大学）
由于新型冠状病毒（COVID-19）引起的灾难性大流行，世界正面临严峻形势。受这种病毒影响的人数每天都在成倍增加，人数已经超过640万。由于目前还没有发现疫苗，及早发现病人并进行隔离是减少病毒传播的唯一和最有效的方法。通过使用深度神经网络从胸部X射线检测感染者，可以作为一种省时省力的解决方案。在这项研究中，我们试图通过对Covid-19、肺炎和正常胸部X光片的分类来检测Covid-19。我们使用了五种不同的卷积预训练神经网络模型（VGG 16，VGG 19，Xception，InceptionV 3和Resnet 50），并比较了它们的性能。VGG 16和VGG 19在分类中表现出精确的性能。这两种模型都可以在三种X射线之间进行分类，准确率超过92%。我们研究的另一部分是使用决策树回归来发现天气因素（温度、湿度、日照时数和风速）对这一流行病的影响。我们发现，温度、湿度和日照时数共同对新冠肺炎疫情升级的影响为85.88%，对新冠肺炎死亡的影响为91.89%，其中湿度对死亡的影响为8.09%。我们还尝试使用LogisticRegression基于年龄、性别、国家和地点预测COVID-19导致的个人死亡，该模型可以预测个人死亡，模型准确率为94. 40%。
2021-04-05 cs.CV cs.LG eess.IV
Artificial Intelligence in the Battle against Coronavirus (COVID-19): A Survey and Future Research Directions
Deakin University（迪肯大学）；Griffith University（格里菲斯大学）；Monash University（莫纳什大学）；Stanford University（斯坦福大学）；Kumoh National Institute of Technology（韩国国立金乌工科大学）；Ho Chi Minh City University of Technology (HUTECH)（胡志明市工业大学）；Pusan National University（釜山大学）；University of New South Wales（新南威尔士大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
人工智能（AI）已经以各种方式广泛应用于我们的日常生活中，并有许多成功的案例。人工智能还为应对全球范围内发生的冠状病毒病（COVID-19）大流行做出了贡献。本文介绍了在抗击COVID-19疫情的各种应用中使用的人工智能方法的调查，并概述了人工智能研究在这场前所未有的战斗中的关键作用。我们涉及人工智能作为重要组成部分的领域，从医学图像处理，数据分析，文本挖掘和自然语言处理，物联网，到计算生物学和医学。本报告亦呈列可供研究用途的COVID-19相关数据来源概要。深入探讨了挖掘人工智能的潜力，增强其在抗击疫情中的能力和力量的研究方向。我们确定了与COVID-19大流行相关的13组问题，并强调了可用于解决这些问题的有前途的人工智能方法和工具。预计这项研究将为人工智能研究人员和更广泛的社区提供人工智能应用现状的概述，并激励研究人员利用人工智能在抗击COVID-19方面的潜力。
2022-03-17 cs.AI cs.CY cs.LG
COVYT: Introducing the Coronavirus YouTube and TikTok speech dataset featuring the same speakers with and without infection
University of Augsburg（奥格斯堡大学）；Medical University of Graz（格拉茨医科大学）；Imperial College（帝国理工学院）
COVID-19疫情爆发两年多后，继续困扰世界各地的医疗系统，对稀缺资源造成压力，并夺去人命。从一开始，各种基于人工智能的COVID-19检测和监测工具就一直在寻求通过及时诊断来阻止感染潮。特别是，计算机听觉被认为是一种通过声音检测COVID-19感染的非侵入性、成本效益高且环保的替代方法。然而，与所有人工智能方法一样，计算机听觉也严重依赖于可用数据的数量和质量，并且由于此类数据的敏感性，大规模COVID-19声音数据集很难获得。为此，我们引入了COVYT数据集--一个从公共来源收集的新型COVID-19数据集，包含65位演讲者超过8小时的演讲。与其他现有的COVID-19声音数据集相比，COVYT数据集的独特之处在于它包含来自所有65名说话者的COVID-19阳性和阴性样本。我们使用可解释的音频描述符，基于这些完美的说话者特征平衡的“野外”数据分析COVID-19的声学表现，并研究了几种分类方案，这些方案为基于语音的公平COVID-19检测提供了适当的划分策略。
2022-06-20 cs.LG cs.SD eess.AS
COVID-19 and Mental Health/Substance Use Disorders on Reddit: A Longitudinal Study
Wright State University（莱特州立大学）
2019冠状病毒病大流行对患有精神健康问题和物质使用问题的人产生了不利和不成比例的影响。大流行病期间的社会孤立以及与心理健康和药物使用障碍有关的社会耻辱感加剧了这种情况，使人们不愿分享他们的斗争和寻求帮助。由于它们提供的匿名性和隐私性，社交媒体成为人们分享日常斗争经历的便利媒介。Reddit是一个备受认可的社交媒体平台，它提供了一个名为subreddits的有重点和结构化的论坛，用户可以订阅并与他人讨论他们的体验。对社交媒体上关于精神健康/药物使用的帖子与关于冠状病毒的帖子之间的主题相关性进行时间评估，对于更好地了解公众对大流行及其不断变化的影响的情绪至关重要，特别是与弱势群体有关的影响。在这项研究中，我们对2020年1月至2020年10月的r/抑郁、r/焦虑、r/自杀观察和r/冠状病毒之间的帖子，以及r/阿片类药物、r/阿片类药物恢复、r/成瘾和r/冠状病毒之间的帖子进行了纵向主题分析。我们的研究结果显示，2020年9月r/抑郁症和r/冠状病毒的帖子之间存在高度的主题相关性。此外，关于物质使用障碍和冠状病毒的帖子之间的主题相关性波动，在2020年8月显示出最高的相关性。通过从Reddit等平台监测这些趋势，流行病学家和心理健康专业人员可以深入了解社区所面临的挑战，以便采取有针对性的干预措施。
2020-11-20 cs.CY cs.LG
3D RegNet: Deep Learning Model for COVID-19 Diagnosis on Chest CT Image
Xidian University（西安电子科技大学）
本文提出了一种基于3D-RegNet的神经网络用于诊断冠状病毒（Covid-19）感染患者的身体状况。在临床医学的应用中，医生利用肺部CT图像来确定患者是否感染冠状病毒。然而，对于这种诊断方法，可以考虑一些回退，例如耗时和准确性低。肺部是人体的一个较大器官，利用二维切片图像进行诊断会丢失重要的空间特征。因此，本文设计了一种基于3D图像的深度学习模型。三维图像作为输入数据由二维肺部图像序列组成，并从其中提取相关冠状病毒感染的三维特征并进行分类。结果表明，该三维模型的测试集，结果：f1得分为0.8379，AUC值为0.8807。
2021-07-08 cs.CV cs.LG eess.IV
Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning
College of Intelligence and Computing, Tianjin University（天津大学智能与计算学院）；Department of Radiology, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology（华中科技大学同济医学院附属同济医院放射科）；Department of Radiology, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院放射科）；Department of Research and Development, Shanghai United Imaging Intelligence Co., Ltd.（上海联影智能医疗科技有限公司研发部）；Department of Radiology, China-Japan Union Hospital of Jilin University（吉林大学中日联谊医院放射科）
近期，2019冠状病毒病（COVID-19）疫情在全球迅速蔓延。由于受影响的患者数量众多，医生的劳动强度大，迫切需要使用机器学习算法进行计算机辅助诊断，可以在很大程度上减少临床医生的工作量，加快诊断过程。胸部计算机断层扫描（CT）已被公认为是一种诊断疾病的信息工具。在这项研究中，我们建议使用从CT图像中提取的一系列特征进行COVID-19的诊断。为了从不同的角度充分挖掘描述CT图像的多个特征，学习了一种统一的潜在表示，它可以完全编码来自不同特征方面的信息，并具有良好的可分离性类结构。具体来说，完整性是通过一组后向神经网络（每个网络用于一种类型的特征）来保证的，而通过使用类标签，在COVID-19/社区获得性肺炎（CAP）中的表示被强制为紧凑的，并且还保证了不同类型肺炎之间的大范围。通过这种方式，我们的模型可以很好地避免过度拟合的情况下，直接投影高维特征到类。大量的实验结果表明，所提出的方法优于所有的比较方法，而稳定的性能观察时，不同的训练数据的数量。
2020-05-06 cs.CV cs.LG eess.IV
So You Need Datasets for Your COVID-19 Detection Research Using Machine Learning?
Daffodil International University（达福迪尔国际大学）
全球有数百万人感染了2019冠状病毒病（COVID 19）。机器学习（ML）技术从疫情开始就被用于COVID 19检测研究。本文介绍了使用机器学习（ML）进行COVID 19检测时常用数据集的详细信息。我们调查了2020年1月至2020年6月期间96篇关于COVID 19检测的论文。我们从文章中提取了有关使用的数据集的信息，并在这里同时表示它们。这项调查将帮助未来的研究人员毫无困难地找到COVID 19数据集。
2020-08-16 cs.LG eess.IV stat.ML
An Automated Approach for Timely Diagnosis and Prognosis of Coronavirus Disease
New York University（纽约大学）；Bournemouth University（伯恩茅斯大学）
自2019冠状病毒病（COVID-19）爆发以来，大部分受影响的患者被诊断为高烧、干咳和喉咙发炎，导致严重肺炎。因此，迄今为止，肺部影像学诊断COVID-19被证明是早期诊断疾病的主要证据。尽管使用实时逆转录酶聚合酶链反应（rRT-PCR）的核酸检测仍然是检测COVID-19的金标准，但所提出的方法侧重于通过非造影胸部计算机断层扫描（CT）对疾病进行自动诊断和预后，以便及时诊断和分诊患者。预后包括疾病的量化和评估，以帮助医院管理和规划关键资源，如医务人员，急救人员和重症监护室（ICU）的能力。该方法利用深度学习技术自动量化COVID-19疾病的严重程度，方法是测量肺部周围（CP）的多个圆形毛玻璃样阴影（GGO）和实变的面积，并将其累积形成严重程度评分。疾病的严重程度可以与分诊期间处方的药物相关联，以评估治疗的有效性。所提出的方法显示出有希望的结果，其中分类模型实现了93%的准确率保持数据。
2021-04-29 cs.CV cs.LG eess.IV
covLLM: Large Language Models for COVID-19 Biomedical Literature
Stanford University（斯坦福大学）
本文提出冠状病毒文献专用大语言模型 covLLM，基于 LLaMA 7B 与 CORD-19 构建的 synCovid、real abstracts 数据集训练，实验显示其性能可媲美 ChatGPT。
2023-06-08 cs.AI cs.CL cs.LG
COVIDX-Net: A Framework of Deep Learning Classifiers to Diagnose COVID-19 in X-Ray Images
Menoufia University（米努菲亚大学）；Shaqra University（沙克拉大学）
背景和目的：冠状病毒（Coronaviruses，CoV）是引起严重急性呼吸综合征（SevereAcuteRespiratorysyndrome，SARS-CoV）、中东呼吸综合征（MiddleEastRespiratorysyndrome，MERS-CoV）等疾病的重要病毒。新型2019冠状病毒病（COVID-19）于2019年底在中国武汉市被发现为一种新型疾病肺炎。现在，它成为全球范围内的冠状病毒爆发，根据世界卫生组织（WHO）的最新报告，感染人数和死亡人数每天都在迅速增加。因此，本文的目的是引入一个新的深度学习框架，即COVIDX-Net，以帮助放射科医生自动诊断X射线图像中的COVID-19。材料与方法：由于缺乏公开的COVID-19数据集，该研究在50张胸部X光图像上进行了验证，其中有25例确诊的COVID-19阳性病例。COVIDX-Net包括七种不同的深度卷积神经网络模型架构，例如修改后的视觉几何组网络（VGG 19）和第二版Google MobileNet。每个深度神经网络模型都能够分析X射线图像的归一化强度，以将患者状态分类为阴性或阳性COVID-19病例。结果如下：COVIDX-Net的实验和评估已经成功完成，分别基于80-20%的X射线图像用于模型训练和测试阶段。VGG 19和密集卷积网络（DenseNet）模型显示出良好且相似的COVID-19自动分类性能，…
2020-03-24 cs.CV cs.LG eess.IV
A machine learning analysis of the relationship between some underlying medical conditions and COVID-19 susceptibility
Department of Mathematics and Statistics, Wake Forest University（维克森林大学数学与统计系）
在过去的几年里，冠状病毒，通常被称为COVID-19，已经严重影响了居住在美国的所有公民的日常生活，带来了几个致命的健康风险，不能忽视。为应对COVID-19给美国社会带来的日益增长的恐惧和危险，美国已经创造了几种疫苗和助推器，作为个人可以利用的永久性补救措施。在本文中，我们调查了COVID-19疫苗和加强剂与美国多个州的冠状病毒总病例数之间的关系。此外，本文还讨论了几种选定的潜在健康状况与COVID-19之间的关系。为了有效地讨论这些关系，本文将利用统计测试和机器学习方法进行分析和讨论。此外，本文反思了关于教育程度、种族和COVID-19之间关系的结论，以及与基础健康状况、疫苗接种率和COVID-19总病例和死亡人数之间可能存在的联系。
2022-02-15 cs.LG stat.AP
Global Sentiment Analysis Of COVID-19 Tweets Over Time
PES University（PES大学）
冠状病毒大流行影响了正常的生活。世界各地的人们都在社交媒体上表达他们对这一风暴席卷世界的现象的看法和普遍情绪。社交网站Twitter显示，在很短的时间内，与新型冠状病毒相关的推文出现了前所未有的增长。本文介绍了冠状病毒相关推文的全球情感分析，以及不同国家的人们的情绪如何随时间发生变化。此外，为了确定冠状病毒对日常生活的影响，我们收集了与在家工作（WFH）和在线学习相关的推文，并观察了情绪随时间的变化。此外，各种机器学习模型，如长短期记忆（LSTM）和人工神经网络（ANN），实现了情感分类，并确定其准确性。还对一个数据集进行了探索性数据分析，该数据集提供了一些受影响最严重的国家每天确诊病例数的信息，以比较自此次大流行开始至2020年6月的情绪变化与病例变化。
2020-11-10 cs.CL cs.LG cs.SI
Hi Sigma, do I have the Coronavirus?: Call for a New Artificial Intelligence Approach to Support Health Care Professionals Dealing With The COVID-19 Pandemic
Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）；Universitat de Barcelona（巴塞罗那大学）；Instituto de Salud Carlos III（卡洛斯三世卫生研究所）；Hospital Universitari Germans Trias i Pujol（Germans Trias i Pujol大学医院）；Universidad de Guadalajara（瓜达拉哈拉大学）；Centro Universitario de Ciencias de la Salud（健康科学中心大学学院）；OPD Hospital Civil de Guadalajara（瓜达拉哈拉市立医院）
就像你的手机可以检测到在拥挤的空间里播放的是哪首歌一样，我们展示了在咳嗽电话录音上训练的人工智能迁移学习算法可以用于COVID-19的诊断测试。为了获得医疗保健界的采用，我们计划在墨西哥、西班牙和美国的临床试验和其他三个地点验证我们的结果。然而，如果我们有来自其他正在进行的临床试验和志愿者的数据，我们可能会做得更多。例如，对于确诊的居家COVID-19患者，可以开发纵向音频测试以确定与医院联系的建议，对于最关键的COVID-19患者，可以开发成功率预测测试，包括患者临床数据，以优先考虑ICU分配。作为对工程界的挑战，在我们的临床试验背景下，作者建议每天分发咳嗽记录，希望其他试验和众包用户能够贡献更多数据。以前处理复杂人工智能任务的方法要么使用静态数据集，要么是由大公司领导的私人努力。所有现有的COVID-19试验也都遵循这一范式。相反，我们提出了一种新的开放式集体方法来实现大规模实时医疗保健AI。我们将在https://opensigma.mit.edu上发布更新。我们个人的观点是，我们的方法是大规模流行病的正确方法，因此将继续存在-你会加入吗？
2020-04-10 cs.CY cs.HC cs.LG
Deep Learning for Reliable Classification of COVID-19, MERS, and SARS from Chest X-Ray Images
Qatar University（卡塔尔大学）；Universiti Kebangsaan Malaysia（马来西亚国民大学）
新型冠状病毒病（COVID-19）是一种传染性极强且传播迅速的冠状病毒感染。2002年和2011年爆发的严重急性呼吸系统综合征（SARS）和中东呼吸系统综合征（MERS）以及目前的COVID-19大流行都来自同一个冠状病毒家族。这项工作旨在使用深度卷积神经网络（CNN）对COVID-19，SARS和MERS胸部X射线（CXR）图像进行分类。创建了一个独特的数据库，即所谓的QU-COVID-family，由423张COVID-19，144张MERS和134张SARS CXR图像组成。此外，提出了一种鲁棒的COVID-19识别系统，以使用CNN分割模型（U-Net）识别肺部区域，然后使用预训练的CNN分类器将分割的肺部图像分类为COVID-19、MERS或SARS。此外，Score-CAM可视化方法用于可视化分类输出并理解深度CNN决策背后的推理。几个深度学习分类器进行了训练和测试;报告了四个表现出色的算法。原始图像和预处理图像被单独使用，并一起作为网络的输入。两种识别方案被认为是：平原CXR分类和分段CXR分类。对于普通CXR，观察到InceptionV 3优于其他具有3通道方案的网络，并分别实现了99.5%，93.1%和97%的COVID-19，MERS和SARS图像分类灵敏度。相比之下，对于分割的CXR，InceptionV 3优于使用原始CXR数据集，并分别实现了96.94%，…
2021-06-01 cs.CV cs.LG eess.IV
COVID-CXNet: Detecting COVID-19 in Frontal Chest X-ray Images using Deep Learning
University of Saskatchewan（萨斯喀彻温大学）；International Road Dynamics（国际道路动力学公司）；National Institute of Technology, Trichy（特里奇国家理工学院）
用于筛查新型冠状病毒感染的主要临床观察之一是捕获胸部X射线图像。在大多数患者中，胸部X光检查包含异常，如实变，这是COVID-19病毒性肺炎的结果。在这项研究中，研究人员在大型数据集中使用深度卷积神经网络有效检测这种类型肺炎的成像特征。它表明，简单的模型，以及文献中的大多数预训练网络，专注于决策无关的功能。在本文中，收集了来自各种来源的大量胸部X射线图像，并准备了最大的公开访问数据集。最后，使用迁移学习范式，利用著名的CheXNet模型开发COVID-CXNet。这个强大的模型能够基于相关和有意义的特征检测新型冠状病毒肺炎，并进行精确定位。COVID-CXNet是迈向全自动和强大的COVID-19检测系统的一步。
2020-07-29 cs.CV cs.LG eess.IV
Extracting COVID-19 Diagnoses and Symptoms From Clinical Text: A New Annotated Corpus and Neural Event Extraction Framework
University of Washington（华盛顿大学）
2019冠状病毒病（COVID-19）是一种全球性大流行病。尽管自新型冠状病毒出现以来，人们已经对它有了很多了解，但在跟踪其传播、描述病原学、预测感染严重程度和预测医疗保健利用方面，仍有许多悬而未决的问题。自由文本临床笔记包含解决这些问题的关键信息。需要数据驱动的自动信息抽取模型来在大规模研究中使用这种文本编码的信息。这项工作提出了一个新的临床语料库，称为COVID-19注释临床文本（CACT）语料库，其中包括1，472个注释，详细注释了COVID-19诊断，测试和临床表现。我们引入了一个基于跨度的事件提取模型，该模型联合提取所有注释的现象，在识别具有相关断言值的COVID-19和症状事件方面实现了高性能（事件为0.83-0.97 F1，断言为0.73-0.79 F1）。在二次使用应用程序中，我们探索了使用结构化患者数据（例如生命体征和实验室结果）预测COVID-19检测结果，并自动提取症状信息。自动提取的症状提高了预测性能，不仅仅是结构化数据。
2021-03-10 cs.CL cs.LG
COVIDX: Computer-aided diagnosis of Covid-19 and its severity prediction with raw digital chest X-ray images
University of Azad Jammu & Kashmir（阿扎德查谟和克什米尔大学）
冠状病毒病（COVID-19）是由严重急性呼吸道综合征冠状病毒-2（SARS-COV-2）引起的一种传染性感染，它已感染并导致全球数百万人死亡。在缺乏治疗COVID-19的特定药物或疫苗以及现有诊断技术的限制下，需要一些替代的自动筛查系统，可供医生使用以快速识别和隔离受感染的患者。胸部X射线（CXR）图像可用作检测和诊断COVID-19的替代模式。在这项研究中，我们提出了一个自动COVID-19诊断和严重程度预测（COVIDX）系统，该系统使用来自CXR图像的深度特征图来诊断COVID-19及其严重程度预测。该系统采用了三阶段分类方法（健康与不健康，COVID-19与肺炎，以及COVID-19严重程度），使用不同的浅层监督分类算法。我们不仅通过10倍交叉验证和使用外部验证数据集来评估COVIDX，而且还通过经验丰富的放射科医生在实际环境中进行评估。在所有评估设置中，COVIDX优于所有现有的为此目的设计的最先进的方法。我们通过基于云的Web服务器和Python代码分别在https://sites.google.com/view/wajidarshad/software和https：//github.com/wajidarshad/covidx上轻松访问COVIDX。
2020-12-25 cs.CV cs.LG eess.IV
Calibrated Bagging Deep Learning for Image Semantic Segmentation: A Case Study on COVID-19 Chest X-ray Image
Prairie View A&M University（普雷里维尤农工大学）
严重急性呼吸道综合征冠状病毒2（SARS-CoV-2）导致2019冠状病毒病（COVID-19）。影像检查，如胸部X光检查（CXR）和计算机断层扫描（CT），可为临床工作人员提供有用的信息，以促进以更有效和全面的方式诊断COVID-19。作为人工智能（AI）的突破，深度学习已通过分析CXR和CT数据应用于COVID-19感染区域分割和疾病分类。然而，这些任务的深度学习模型的预测不确定性，这是非常重要的安全关键型应用，如医疗图像处理，尚未得到全面的研究。在这项工作中，我们提出了一种新的集成深度学习模型，通过集成装袋深度学习和模型校准，不仅提高了分割性能，而且降低了预测的不确定性。所提出的方法已在与CXR图像分割相关的大型数据集上进行了验证。实验结果表明，该方法可以提高分割性能，同时降低预测的不确定性。
2022-05-27 cs.CV cs.LG eess.IV
Detection of Coronavirus (COVID-19) Associated Pneumonia based on Generative Adversarial Networks and a Fine-Tuned Deep Transfer Learning Model using Chest X-ray Dataset
Faculty of Computers and Artificial Intelligence, Cairo University（开罗大学计算机与人工智能学院）；MISR Higher Institute for Engineering and Technology（米斯尔高等工程技术学院）；Scientific Research Group in Egypt (SRGE)（埃及科学研究团队）
根据世界卫生组织的说法，COVID-19冠状病毒是毁灭性病毒之一。这种新型病毒导致肺炎，这是一种感染，发炎的肺部气囊的人。检测这些炎症的方法之一是使用胸部X射线。在本文中，将提出一种基于生成对抗网络（GAN）的肺炎胸部X射线检测，该网络具有针对有限数据集的微调深度迁移学习。GAN的使用积极地影响了所提出的模型的鲁棒性，使其不受过拟合问题的影响，并有助于从数据集生成更多的图像。本研究中使用的数据集包括5863张X射线图像，分为两类：正常和肺炎。该研究仅使用10%的数据集作为训练数据，并使用GAN生成90%的图像，以证明所提出的模型的效率。通过这篇论文，AlexNet、GoogLeNet、Squeeznet和Resnet 18被选为深度迁移学习模型，用于从胸部X射线中检测肺炎。这些模型是基于其架构上的少量层而选择的，这将反映在降低模型的复杂性以及消耗的内存和时间上。结合GAN模型和深层传输模型，通过测试精度的测量，证明了该方法的有效性。研究得出结论，Resnet 18是根据测试准确率测量的最合适的深度传输模型，并且在使用GAN作为图像增强器时，其他性能指标（如精确度，召回率和F1分数）达到99%。最后，在研究的最后，与使用相同数据集的相关工作进行了比较，除了本研究使用了原始数据集的10%。所提出的工作取得了优于相关工作的测试精度方面的结果。
2020-04-02 cs.CV cs.LG eess.IV
Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia
Zhejiang University（浙江大学）；the First Affiliated Hospital, Zhejiang University（浙江大学附属第一医院）；Wenzhou central Hospital（温州中心医院）；First People's Hospital of Wenling（温岭市第一人民医院）；Hangzhou AiSmart-Image-Cloud-Analysis Co., Ltd.（杭州智影云分析科技有限公司）；College of Medicine, Zhejiang University（浙江大学医学院）
我们发现，从痰液或鼻咽拭子中提取病毒RNA进行实时逆转录-聚合酶链式反应（RT-PCR）检测，在早期确定COVID-19（世界卫生组织命名）的阳性率相对较低。COVID-19的计算机断层成像（CT）影像表现有其自身特点，不同于其他类型的病毒性肺炎，如甲型流感病毒性肺炎。因此，临床医生呼吁尽快为这种新型肺炎制定另一种早期诊断标准，本研究旨在利用深度学习技术建立一种早期筛查模型，通过肺部CT图像区分COVID-19肺炎与甲型流感病毒性肺炎和健康病例。首先使用三维深度学习模型从肺部CT图像集中分割出候选感染区域。这些分离的图像然后被分类为COVID-19，流感病毒性肺炎和与感染组无关，以及使用位置注意力分类模型的相应置信度得分。最后，利用Noisy-or Bayesian函数计算该CT病例的感染类型和总置信度得分。基准数据集的实验结果表明，从CT病例整体角度来看，总体准确率为86.7%。本研究建立的深度学习模型对COVID的早期筛查是有效的。19例患者，并证明是一个有前途的补充诊断方法，为一线临床医生。
2020-02-21 cs.LG eess.IV physics.med-ph
A comparison of deep machine learning algorithms in COVID-19 disease diagnosis
Dr. Babasaheb Ambedkar Technological University（巴巴萨海布·安贝德卡尔技术大学）；Chitkara University（奇卡拉大学）；Pravara Rural Engineering College（普拉瓦拉农村工程学院）；Sri Guru Granth Sahib World University（圣古鲁格兰特 sahib 世界大学）
这项工作的目的是使用深层神经网络模型来解决图像识别问题。如今，每个人都受到一种有害的冠状病毒疾病的威胁，也称为COVID-19疾病。冠状病毒的传播影响了世界上许多国家的经济。及早发现COVID-19患者对于避免传播和对社会的危害至关重要。病理检查和层析（CT）扫描有助于COVID-19的诊断。然而，这些测试具有诸如大量假阳性的缺点，并且这些测试的成本非常昂贵。因此，它需要找到一种简单，准确和更便宜的方法来检测有害的COVID-19疾病。胸部X光检查对发现这种疾病是有用的。因此，在本工作胸部中，使用现代机器学习技术将X射线图像用于诊断疑似COVID-19患者。对结果进行了分析，并得出了关于深度机器学习算法在图像识别问题中的有效性的结论。
2020-10-09 cs.CV cs.LG eess.IV
Robust Weakly Supervised Learning for COVID-19 Recognition Using Multi-Center CT Images
University of California, San Diego（加州大学圣迭戈分校）；University of Oxford（牛津大学）；Aladdin Healthcare Technologies Ltd（阿拉丁医疗科技有限公司）；Nantong University（南通大学）；University of Edinburgh（爱丁堡大学）；Mind Rank Ltd（Mind Rank有限公司）；University of Oslo（奥斯陆大学）；Royal Brompton Hospital（皇家布朗普顿医院）；Imperial College London（伦敦帝国理工学院）
世界目前正在经历一种名为2019年冠状病毒病的传染病的持续大流行（即，COVID-19），由严重急性呼吸道综合征冠状病毒2（SARS-CoV-2）引起。计算机断层扫描（CT）在评估感染严重程度方面发挥着重要作用，也可用于识别那些有症状和无症状的COVID-19携带者。随着COVID-19患者的累计人数激增，放射科医生越来越有压力手动检查CT扫描。因此，自动化的3D CT扫描识别工具是非常需要的，因为手动分析对于放射科医生来说是耗时的，并且他们的疲劳可能导致可能的误判。然而，由于位于不同医院的CT扫描仪的各种技术规格，CT图像的外观可能显著不同，导致许多自动图像识别方法的失败。因此，多中心和多扫描仪研究的多域移位问题是不平凡的，这对于可靠的识别也是至关重要的，对于可再现的客观诊断和预后也是至关重要的。在本文中，我们提出了一种新的冠状病毒CT扫描识别模型，即冠状病毒信息融合和诊断网络（CIFD-Net），可以通过一种新的鲁棒弱监督学习范式有效地处理多域转移问题。我们的模型可以解决的问题，不同的外观在CT扫描图像可靠和有效的，同时达到更高的精度相比，其他国家的最先进的方法。
2021-12-09 cs.CV cs.LG eess.IV
Generation of COVID-19 Chest CT Scan Images using Generative Adversarial Networks
Delhi Technological University（德里理工大学）
SARS-CoV-2，也称为COVID-19或冠状病毒，是一种由新型冠状病毒感染的病毒性传染病，并已在全球迅速蔓延。检测和隔离人群以减少传播非常重要，因此需要快速有效地做到这一点。根据一些研究，在诊断COVID-19患者时，胸部CT优于RT-PCR实验室检测，这是目前的标准。因此，计算机视觉研究人员开发了各种深度学习系统，可以在一定程度上使用胸部CT扫描正确预测COVID-19。这些系统的准确性是有限的，因为深度学习神经网络，如CNN（卷积神经网络），需要大量的数据进行训练，以产生良好的质量结果。由于该疾病相对较新，并且更多关注CXR（胸部X射线）图像，可用的胸部CT扫描图像数据集少得多。我们提出了一种方法，通过利用GANs，生成阳性和阴性COVID-19患者的合成胸部CT图像。使用预先构建的预测模型，我们得出结论，大约40%的生成图像被正确预测为COVID-19阳性。由此生成的数据集可用于训练基于CNN的分类器，该分类器可帮助以更高的准确度确定患者中的COVID-19。
2021-05-20 cs.CV cs.LG eess.IV
Coronavirus disease situation analysis and prediction using machine learning: a study on Bangladeshi population
Chulalongkorn University（朱拉隆功大学）；Chubu University（中部大学）
在大流行期间，及早预测病人感染率可以通过确保治疗设施和适当的资源分配来减少死亡。近几个月来，孟加拉国的死亡人数和感染率比以往任何时候都有显著增加。该国正在努力为许多患者提供适度的医疗。这项研究区分了机器学习模型，并创建了一个预测系统来预测未来几天的感染率和死亡率。使用2020年3月1日至2021年8月10日的数据为数据集配备数据，训练多层感知器（MLP）模型。这些数据是从一个受信任的政府网站管理的，并出于培训目的手动炮制。几个测试案例确定模型的准确性和预测能力。具体模型之间的比较假设MLP模型比支持向量回归（SVR）和线性回归模型具有更可靠的预测能力。该模型提供了关于风险情况和即将发生的冠状病毒病（COVID-19）攻击的报告。根据该模型产生的预测，孟加拉国可能会再次遭受COVID-19袭击，感染病例数可能在929至2443之间，死亡病例在19至57之间。
2022-07-12 cs.AI cs.CY cs.LG
Segmentation of Lungs COVID Infected Regions by Attention Mechanism and Synthetic Data
Isfahan University of Technology（伊斯法罕理工大学）；Seattle University（西雅图大学）；McMaster University（麦克马斯特大学）
冠状病毒已造成数十万人死亡。如果每个病人都能得到医疗保健系统的适当治疗，死亡率就可以降低。机器学习，特别是基于深度学习的计算机视觉方法，可以帮助医疗保健专业人员更有效地诊断和治疗COVID-19感染病例。因此，受感染的患者可以从医疗保健系统获得更好的服务，并减少冠状病毒造成的死亡人数。本研究提出一种在CT影像中分割肺部感染区域的方法。为此，使用具有注意力机制的卷积神经网络来检测具有复杂模式的感染区域。注意力块通过关注图像的信息部分来提高分割精度。此外，生成对抗网络生成合成图像，用于数据增强和小型可用数据集的扩展。实验结果表明，该方法的优越性相比，一些现有的程序。
2021-08-25 cs.CV cs.LG eess.IV
CovidGAN: Data Augmentation Using Auxiliary Classifier GAN for Improved Covid-19 Detection
Maharaja Agrasen Institute of Technology（马哈拉贾·阿格拉森技术学院）；Near East University（近东大学）；State University of Ceará（塞阿拉州立大学）；University of Fortaleza（福塔莱萨大学）
冠状病毒（COVID-19）是由严重急性呼吸道综合征冠状病毒2（SARS-CoV-2）引起的病毒性疾病。COVID-19的传播似乎对全球经济和健康产生了不利影响。感染患者的胸部X光检查呈阳性是抗击COVID-19的关键一步。早期结果表明，提示COVID-19患者的胸部X光检查存在异常。这导致了各种深度学习系统的引入，研究表明，通过使用胸部X光检测COVID-19患者的准确性非常乐观。像卷积神经网络（CNN）这样的深度学习网络需要大量的训练数据。由于爆发是最近的，很难在这么短的时间内收集大量的放射图像。因此，在这项研究中，我们提出了一种方法来生成合成胸部X射线（CXR）图像，通过开发一个辅助分类生成对抗网络（ACGAN）的模型称为CovidGAN。此外，我们证明了CovidGAN生成的合成图像可用于增强CNN检测COVID-19的性能。单独使用CNN的分类产生了85%的准确率。通过添加CovidGAN生成的合成图像，准确率提高到95%。我们希望这种方法能加快COVID-19的检测速度，并带来更强大的放射学系统。
2021-03-08 cs.CV cs.LG eess.IV
