Explained Deep Learning Framework：新冠 CT 影像检测的创新突破

为解决新冠 CT 影像检测问题，研究人员开展基于英国胸科影像学会（BSTI）指导的深度学习研究，发现模型对部分类别检测效果好，对 “Indeterminate” 类别检测不佳，有助于新冠诊断。

自 2019 年底新冠疫情爆发，新冠病毒（COVID-19）给全球公共卫生带来了巨大挑战。新冠病毒不断变异，出现了如 BA.2.86 等新变种，传播风险增加。目前，逆转录聚合酶链反应（RT-PCR）检测试剂盒虽被广泛用于新冠感染的快速诊断，但存在灵敏度有限、功效不稳定以及假阴性等问题。对于放射科医生而言，从计算机断层扫描（CT）影像中识别新冠感染也颇具挑战，因为其表现多样、影像特征不特异，还存在其他干扰性呼吸疾病。

为应对这些难题，英国胸科影像学会（BSTI）在 2020 年 3 月推出了新冠检测报告指南，将胸部 CT 影像分为 “Classic”（对新冠感染有 100% 信心）、“Probable”（71 - 99% 信心）、“Indeterminate”（<70% 信心）和 “Non - COVID”（70% 信心为其他疾病）四类，以规范报告流程、增强放射科医生间的一致性判断。然而，现有的深度学习（DL）方法大多未遵循该指南，且缺乏可解释性，这限制了其在医学领域的应用。

在此背景下，来自英国阿斯顿大学（Aston University）和桑德韦尔及西伯明翰医院国民保健服务信托基金会（Sandwell and West Birmingham Hospitals NHS Trust）的研究人员开展了一项研究，旨在构建一个符合 BSTI 指南的可解释多分类 DL 框架，用于在体积 CT 扫描中检测新冠感染情况，相关研究成果发表在《Journal of Imaging Informatics in Medicine》上。

研究人员采用了多种关键技术方法。在数据处理方面，收集了英国桑德韦尔及西伯明翰医院国民保健服务信托基金会 56 例疑似新冠感染且 PCR 检测呈阳性患者的伪匿名胸部非增强 CT 扫描数据，由专业胸部放射科医生依据 BSTI 指南进行标注。对数据进行预处理，包括将原始像素值转换为 Hounsfield Units（HU）、去除非肺结构、调整图像大小、合并为 3D 体积并标准化切片数量。同时，运用数据增强技术，如随机仿射变换、随机翻转、添加随机噪声和 Z-score 归一化等，以扩充数据集。在模型构建上，研究了多个基于 3D 卷积神经网络（3D CNN）的模型，包括基线 3D CNN 模型以及 3D ResNet - 18、3D ResNet - 34 和 3D ResNet - 50 等，其中 3D ResNet 架构是基于原始 2D ResNet 架构改进而来，用于处理 3D 数据。此外，采用迁移学习，在 Kinetics - 700 视频数据集上预训练 ResNet 模型，以提升分类性能、减少训练时间。

下面介绍具体的研究结果：

1. 四分类实验：研究人员对多个 3D DL 模型进行评估，以将 CT 影像分类为 BSTI 的四个新冠类别。结果显示，ResNet - 50 模型在测试集和验证集上表现最佳，其在验证集上的准确率为 73%，F1 分数为 64%；在测试集上的准确率为 75%，F1 分数为 75%。而基线 3D CNN 模型表现较差，在测试集上准确率仅为 50%，F1 分数为 42%。进一步分析 ResNet - 50 模型对各个类别的分类性能发现，它在识别 “Classic” 和 “Probable” 新冠组方面表现出色，但在检测 “Indeterminate” 新冠病例时遇到了显著挑战。
2. 三分类实验：鉴于四分类模型对 “Indeterminate” 类别的检测困难，研究人员将该类从数据集中排除，对 ResNet - 50 模型进行重新训练，使其将 CT 影像分类为 “Classic”、“Probable” 或 “Non - COVID” 三类。结果表明，三分类模型的性能显著提升，在测试集上的准确率达到了 90%。
3. 可视化解释：为增强模型的可解释性，研究人员使用 Gradient - weighted Class Activation Mapping（Grad - CAM）算法对三分类的 ResNet - 50 模型进行后验可视化解释。结果显示，Grad - CAM 能够突出显示与新冠感染相关的关键区域，如磨玻璃影（GGOs）或其他肺部实变区域，但也存在一定局限性，部分受影响区域可能未被检测到。

研究结论与讨论部分指出，本研究首次基于 BSTI 指南对 CT 体积影像进行多分类检测新冠感染的研究，所设计的多分类 DL 模型在检测 “Classic” 和 “Probable” 新冠病例方面表现优秀，但对 “Indeterminate” 病例检测能力较差。这一结果与其他临床研究中人工验证 BSTI 报告的结论一致。研究成果有助于提升新冠影像诊断的标准化水平，为未来应对呼吸道大流行提供了有力支持。然而，研究也存在一定局限性，如对 “Indeterminate” 病例检测困难，可能是由于其本身诊断难度大、训练数据量有限以及体积 CT 影像复杂性高等因素导致。此外，数据增强技术可能导致模型过度学习增强后的特征，且研究仅使用了单中心数据。未来研究可聚焦于开发更先进的深度学习模型、扩大训练数据集、优化 “Indeterminate” 病例的定义和特征，以及探索更有效的数据增强技术，如生成对抗网络（GANs），同时纳入多中心数据集，以提高模型的泛化能力和检测准确性。