一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统技术方案

本发明专利技术涉及人工智能技术领域，且公开了一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统。新型冠状病毒因其通过呼吸道传播的快速传播特性而对传统医疗诊断带来了重大挑战，对预防、控制以及医治工作造成了巨大影响。因此，现在急需一种基于人工智能的快速疾病诊断方法，使其成为聚合酶链反应等高需求测试的替代。于是我们提出一种全新的人工智能检测方式：胸部X射线图像分析。但是，深度学习模型所需的充分和系统的数据收集的复杂性使学习更加困难，导致数据表现不佳。所以我们运用了一种新的图像分类技术：CoAtNet，它能够从胸部X射线图像和有关患者的元信息中识别新型冠状肺炎的生物标志物。所提出的模型在二类（新冠与正常）分类问题上的广泛实验结果优于不同的基准迁移学习模型，从而克服了上述缺点。点。点。

【技术实现步骤摘要】
一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统


[0001]本专利技术属于智能医疗领域，尤其涉及一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统及应用。

技术介绍

[0002]逆转录聚合酶链反应是经常用于诊断患者的测试。但由于检测需求呈指数增长，检测试剂盒供应不足。此外，这些测试非常耗时，并且是具有高误报率的手动过程。这导致无法快速识别实际患者以尽量减少传播和感染他人的情况。以自动化快速筛查作为一种解决方案的需求很高，例如使用胸片成像。资源可用性、成本效益、快速的筛查时间是这些自动射线照相筛查方法的主要优势。因此，可以快速治疗那些在胸部X射线中显示新型冠状肺炎模式的人，以降低感染更多人群的风险就是这种筛查方法的核心目标。
[0003]但庞大的数据和图像分析使传统迁移学习无论是在准确度和识别速度上差强人意。此外，手动标记这些图像也是一项艰巨的任务。在迁移学习中，深度神经网络在大型基准数据集上进行训练，然后在特定任务上进行微调，与训练前问题相比标签更少。CT扫描也检查器官的内部软组织，但x光机使用低电离辐射，因此x光机比CT扫描机更快、更便宜、危害更小。
[0004]因此，我们在X射线图像数据集上做出了许多努力，以建立自动工具来识别胸部X射线图像中出现的新冠病毒19相关特征。这进一步体现了在强大的自动化模型支持下，用胸部X射线诊断是否感染新冠病毒方面的重要性。
[0005]然而，大多数迁移学习模型无法学习数据的广义表示，或者倾向于显示对训练数据集的偏见，因为这些模型是在少量实例上训练的。因此，这些模型最终在预测数据性能上表现不佳。综上所述，亟需一种新的适用于快速便捷且准确性高的人工智能辅助筛查系统，以解决现在的技术问题，弥补现在技术存在的问题及缺陷。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的缺点，提供了一种提高新冠肺炎筛查精准的基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，解决了现有新冠肺炎筛查耗时且高误诊的缺点。
[0007]本专利技术的目的通过一下技术方案来实现：一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，所述智能辅助方法如下：S1：基于胸部X射线图像显示使用一种新型图像分类技术区分新冠肺炎肺部图像：所使用的技术是：CoAtNet。
[0008]在一个具体的实施方式中，所述S1具体包括以下步骤：CoAtNet的学习以及CoAtNet算法步骤。其中CoAtNet的学习步骤为：步骤一：深度卷积即泛化性，指模型经过训练后，应用到新数据并做出准确预测的
能力；步骤二：自注意力，将卷积所提供信息载入模型容量中开始适应各种功能；之后我们将步骤一与步骤二相结合组成CoAtNet构建。
[0009]步骤一公式如下：（1）其中X
j ，Y
i 分别是i位置的输入和输出，表示i的相邻区域，即中心点为i的3*3网络；步骤二使自注意力感受野涵盖所有空间位置，根据对点（）的归一化后的相似度计算权值，公式如下：其中g代表全局位置空间；之后根据公式（1、2）我们将全局静态卷积核和自注意力矩阵相加，在指数归一化和之后得出：至此，CoAtNet模型组成结构成型。CoAtNet的最后一步算法是将学习到的每个节点的高级特征向量通过一个指数归一化层转发，最终预测分类中不同类的概率。在这里，我们使用训练数据构建训练图，根据输出标签执行损失计算，并使用反向传播来学习我们在测试数据上使用的模型参数。
[0010]CoAtNet算法步骤为：步骤一、将胸部X射线图像编码为特征向量；步骤二、构建融合特征向量和患者元数据信息的图；步骤三、应用CoAtNet的高级特征，最终将图的节点分类为不同的类别。
[0011]S2：构建特征学习网络：使用Tansformers网络作为特征提取。
[0012]在一个具体的实施方式中，所述S2具体包括以下步骤：步骤一、使用Transformers编码器来提取胸部X射线数据集中所有样本的特征；步骤二、使用提取的特征计算数据实例的相似度矩阵，并构建融合相似度矩阵和元数据信息的图；步骤三、使用CoAtNet将数据与图结合诊断新型冠状病毒19并将新型冠状病毒19
肺炎模式与正常肺部模式区分开来。
[0013]S3：构建特征对比：我们建立数据集，将所提取的数据进行各种实验，使用提取的特征计算数据实例的相似度矩阵，并构建融合相似度矩阵和元数据信息的图。
[0014]在这里，我们研究了不同迁移学习模型和CoAtNet模型学习到的特征表示。目的是了解与随机初始化的卷积神经网络模型相比，迁移学习对特征表示的影响。它还有助于识别Transformers编码器，该编码器为不同的胸部X射线图像提供通用的特征表示，以便根据图像的特征相似性构建图形数据实例。
[0015]我们所找的除了新冠19的胸部X射线图像之外，元数据还包含患者信息，例如偏移量（从住院到测试时间的天数）、年龄、性别、生存率、他们是否在ICU、是否有插管、以及是否需要补充氧气等数据用于我们的CoAtNet模型。总之，从元数据中提取了15个特征。
[0016]使用从上述的数据我们构建了数据集：集1，用于训练和测试提出的模型和其他预训练模型。集1包括约300个新冠19的胸部X射线图和300个正常受试者的胸部X射线图，专为二元分类问题而设计。我们在上述数据集集1上进行了各种实验，以评估CoAtNet算法在胸部X射线图像的二分类问题上的性能。为了进行公平的比较，我们使用基准迁移学习模型执行的训练测试分区创建了两个图，称为“训练图”和“测试图”。我们重复这个过程十次，得到平均结果作为十折交叉验证，我们分别使用训练损失和测试准确度比较了基于CoAtNet在两类问题上的训练和测试性能。
[0017]S4：构建样本分类：在构建的图上采用CoAtNet来学习图结构和高级特征，以将数据样本分类到适当的类中。
[0018]我们分别使用训练损失和测试准确度比较了基于CoAtNet在两类问题上的训练和测试性能，其步骤为：步骤一：采用具有一个隐藏层（10
ꢀ→ꢀ
20
ꢀ→ꢀ
3）的CoAtNet，其初始特征向量维数为 10，隐藏特征向量大小为 20，输出向量用于两类分类；步骤二：针对相同的问题比较另一个具有两个隐藏层（10
ꢀ→ꢀ
50
ꢀ→ꢀ
20
ꢀ→ꢀ
3）的CoAtNet架构；步骤三：我们观察到两个隐藏层架构的稳定性能更佳，于是 CoAtNet模型在两类分类上我们采用了两个隐藏层架构。
[0019]我们观察到二类的损失在逐渐减少，并且它们在第80次迭代后收敛。尽管二类在早期迭代中存在波动，但二类CoAtNet在第 80 次迭代时达到约 95.48% 的准确率，然后重新训练该值。
[0020]结合上述的所有技术方案以及实验比较，本专利技术所具备的优点及积极治疗效果为：CoAtNet模型则在性能表现上远超于其他模型。这种方法的目的是利用结合图表示的优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于：所述系统包括的智能步骤为：S1：一种基于胸部X射线图像显示使用一种新型图像分类技术区分新冠肺炎肺部图像：所使用的技术是：CoAtNet；S2：构建特征学习网络：使用Tansformers网络作为特征提取；S3：构建特征对比：我们建立数据集，将所提取的数据进行各种实验，使用提取的特征计算数据实例的相似度矩阵，并构建融合相似度矩阵和元数据信息的图；S4：构建样本分类：在构建的图上采用CoAtNet来学习图结构和高级特征，以将数据样本分类到适当的类中。2.根据权利要求 1所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于，所述深度学习算法CoAtNet的步骤：步骤一、将胸部X射线图像编码为特征向量；步骤二、构建融合特征向量和患者元数据信息的图；步骤三、应用CoAtNet的高级特征，最终将图的节点分类为不同的类别。3.如权利要求1所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于，所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统还包括CoAtNet的学习，步骤如下：步骤一：深度卷积即泛化性，指模型经过训练后，应用到新数据并做出准确预测的能力；步骤二：自注意力，将卷积所提供信息载入模型容量中开始适应各种功能；之后我们将步骤一与步骤二相结合组成CoAtNet构建。4.根据权利要求1所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于：所述筛查系统要素包括：数据分析、Tansformers编码器萃取和胸部X射线图的特征表现。5.根据权利要求3所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于，CoAtNet的学习由于是一个结合过程，因此在步骤一中卷积有一个固定的卷积核，从局部感受野中获取信息，公式如下：（1）其中X
j
，Y
i 分别是i位置的输入和输出，表示i的相邻区域，即中心点为i的3*3网络。6.根据权利要求3所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于，CoAtNet的学习步骤二中自注意力感受野涵盖所...

【专利技术属性】
技术研发人员：马玉丹，武正浩，康桥，范馨，林弘毅，苏芮，王宇宁，马煜，
申请(专利权)人：北京数智元宇人工智能科技有限公司，
类型：发明
国别省市：