据UPV教授和CVBLab主任Valery Naranjo表示,在第一次实验中,该模型已被证明具有很大的区分能力,在区分不同类型的患者时,平均成功率达到92%。“该算法在预测冠状病毒病例时表现得更好;它的成功率比其他情况稍好:它的成功率为97%x射线来自COVID - 19患者,”瓦莱里·纳兰霍指出。
UPV的CVBLab研究小组在人工智能领域拥有丰富的经验,他们的专长是开发应用于生物医学图像的计算机视觉算法。生物医学工程师、UPV CVBLab成员Julio Silva总结说:“这就是为什么我们把我们的知识用于抗击这场大流行的原因。”
为了开发预测模型,CVBLab工程师应用了基于的分类和分割技术深度学习大量x射线图像的算法。从这个意义上说,瓦莱里·纳兰霍解释说,与COVID-19患者相比,来自健康人士和其他肺炎患者的x光片要多得多,“因为它是最近才出现的,而且许多数据库不是开源的,这带来了额外的困难。”我们开发的模型解决了这种类别-患者-不平衡的问题,并使其有可能提供可靠和可靠的结果。”
CVBLab团队已经有了集成预测模型的计算机平台的初始版本,因此可以加载胸部x光片,并立即预测它是一个健康的人、肺炎患者或冠状病毒患者的图像。
CBIR系统
CVBLab-UPV的人工智能模型在设计上具有重要的创新性神经网络体系结构。特别是,它是基于知识转移技术与其他残余卷积块相结合,并行地从胸部x光片中提取特征。UPV CVLab的生物医学工程师兼研究员Gabriel García补充说:“这种新的设计,适应了正在研究的图像类型,使其有可能获得97%的初始敏感性和特异性结果。”
同时,研究人员正在开发一种基于生成神经网络的基于内容的图像检索(CBIR)系统。该系统的理念是,在接收到新的x射线图像,并获得诊断预测后,将从一个庞大且不断增长的数据库中提供最相似的先前病例。“从最相似的病例档案中得到的受影响的肺部区域以非常直观的热图显示给使用它的专家人员。这样,医生就有了更多的数据来做决定。这就像他们在地图集中寻找某样东西,但是自动的,”来自UPV CVBLab的电信博士和研究员Adrián Colomer说。
为了创建他们的模型,UPV的CVBLab研究人员已经编译了来自不同机构的公共数据库,并将它们在一个共同的框架中标准化,这使得培训和测试他们的模型成为可能。
已编译的数据库包括由FISABIO协调的BIMCV-COVID-19开源平台提供的数据库、蒙特利尔大学提供的数据库、Società Italiana di Radiología Medica e Interventistica网站提供的数据库以及Kaggle在其“胸部x光图像(肺炎)”挑战中提供的数据库。
来源:联合