基于遷移學(xué)習(xí)和多參數(shù)融合優(yōu)化的COVID-19輔助診斷模型

蔣正鋒，許 昕

1廣西民族師范學(xué)院數(shù)理與電子信息工程學(xué)院，廣西 崇左 532200；2廣西南寧市悅美韓星醫(yī)療門診部，廣西 南寧530023

COVID-19是一種傳染性極強(qiáng)的流行疾病［1-2］，全球各國都采用防疫措施與大面積施打疫苗來控制疫情的蔓延［3］，但傳播性更強(qiáng)的變異病毒的出現(xiàn)加大了疫情控制的難度。國家衛(wèi)健委發(fā)布最新版本的《新型冠狀病毒感染的肺炎診療方案》［4］，把COVID-19影像學(xué)特征的臨床表現(xiàn)作為疑似病例診斷、臨床分型的依據(jù)。核酸檢測是快速發(fā)現(xiàn)COVID-19患者的一種方法，但檢測結(jié)果成陽性［5］可能晚于肺部CT影像［6］的表現(xiàn)，也存在假陰性與漏檢的情況，CT影像在COVID-19患者的確診、隔離、療效評價與預(yù)后各個方面具有重要意義。

臨床醫(yī)生通過閱讀CT圖像，根據(jù)其獲取的信息對患者進(jìn)行診斷，這種傳統(tǒng)的人工診斷方式具有一定的局限性［7］。近年來深度學(xué)習(xí)技術(shù)以其特有的特征提取與識別能力，逐漸成為醫(yī)學(xué)領(lǐng)域的研究熱點(diǎn)之一，如胸片質(zhì)控［8］、肺結(jié)節(jié)檢測［9-11］、肺癌診斷［12-13］等諸多肺部疾病中逐漸得到臨床認(rèn)可，也促進(jìn)了醫(yī)學(xué)影像技術(shù)的發(fā)展。近期，阿里巴巴達(dá)摩醫(yī)院醫(yī)療人工智能（AI）團(tuán)隊基于最新的診療方案［14-16］，與其他機(jī)構(gòu)合作，成功建立了基于AI的對患者肺部CT圖像進(jìn)行分析和解釋的模型，準(zhǔn)確率達(dá)到96%以上，為醫(yī)生的診斷提供了依據(jù)；阿里達(dá)摩院與阿里云共同研發(fā)了根據(jù)患者多維信息來幫助醫(yī)生制定治療方案的輔助診斷系統(tǒng)；上海市公共衛(wèi)生臨床中心和依圖醫(yī)療共同合作開發(fā)的業(yè)界首個COVID-19 智能輔助診斷系統(tǒng)［17］，實現(xiàn)對肺部定量化分析；也有鐘南山等專家聯(lián)合開發(fā)了基于物聯(lián)網(wǎng)的COVID-19 智能診治輔助系統(tǒng)nCapp［18］，對不同的患者制定不同的治療方案；張康教授團(tuán)隊研發(fā)的融合深度學(xué)習(xí)、遷移學(xué)習(xí)和語義分割技術(shù)等多種技術(shù)的篩查、診斷與預(yù)測系統(tǒng)，它在20 s內(nèi)完成檢測和診斷過程，并且準(zhǔn)確率達(dá)到90%以上。目前大型公司或國家級研究團(tuán)隊研發(fā)的COVID-19輔助診斷模型準(zhǔn)確度都在90.00%以上［19-20］，但診斷模型采用的技術(shù)或解決問題方案對外是封閉的，外界無法獲悉診斷系統(tǒng)的相關(guān)技術(shù)，不能更進(jìn)一步的研究與擴(kuò)展。

本文主要研究深度學(xué)習(xí)技術(shù)構(gòu)建小樣本的COVID-19輔助診斷模型，所采用的技術(shù)或方案可進(jìn)一步的研究與擴(kuò)展，創(chuàng)新性地將遷移學(xué)習(xí)技術(shù)應(yīng)用于基于CT影像的COVID-19輔助診斷模型，構(gòu)建基于小樣本訓(xùn)練的診斷模型的，縮短了模型的訓(xùn)練時間；同時，提出多參數(shù)如激活函數(shù)、損失函數(shù)、優(yōu)化算法、學(xué)習(xí)率和樣本批次大小逐步融合優(yōu)化策略，從而有效提高模型診斷準(zhǔn)確率?，F(xiàn)報道如下。

1 數(shù)據(jù)集

為了更容易提取樣本的相關(guān)信息，一般需對數(shù)據(jù)集進(jìn)行預(yù)處理。數(shù)據(jù)預(yù)處理包括了歸一化技術(shù)、非線性變換、特征提取、離散輸入、目標(biāo)編碼、缺失數(shù)據(jù)的處理和數(shù)據(jù)集的劃分等［20］。本文構(gòu)建的COVID-19 影像學(xué)數(shù)據(jù)集預(yù)處理包括尺寸大小統(tǒng)一、像素值歸一化、訓(xùn)練集和測試集的劃分等，其中用于訓(xùn)練模型的樣本占整個影像學(xué)數(shù)據(jù)集的80%，而測試集樣本數(shù)量占整個影像學(xué)數(shù)據(jù)集的20%，用來評估預(yù)測模型的性能。COVID-19影像學(xué)數(shù)據(jù)集有412個樣本為訓(xùn)練集，測試集樣本個數(shù)為105。影像學(xué)數(shù)據(jù)集中原始樣本尺寸大小不同，需預(yù)處理成統(tǒng)一的224×224大小，影像學(xué)數(shù)據(jù)集劃分（表1）。

表1 COVID-19 影像學(xué)數(shù)據(jù)集的劃分Tab.1 Division of COVID-19 imaging data set

COVID-19 影像學(xué)數(shù)據(jù)集包含早期、進(jìn)展期和重癥期3個類別的樣本，分別給這3種類別的樣本標(biāo)注為0、1、2。COVID-19小樣本影像學(xué)數(shù)據(jù)集在CT表現(xiàn)的分布情況顯示，訓(xùn)練集中CT影像學(xué)表現(xiàn)為早期、進(jìn)展期和重癥期的樣本分別為116、156、140，而測試集中早期、進(jìn)展期和重癥期的樣本分別30、39、26（表2）。

表2 COVID-19影像學(xué)數(shù)據(jù)集在CT表現(xiàn)的分布情況Tab.2 Distribution of the COVID-19 imaging data set on CT manifestations

2 CT表現(xiàn)

《新型冠狀病毒肺炎診療方案(試行第八版·修訂版)》將COVID-19的臨床分型分別為輕型、普通型、重型和危重型［4］。臨床分型的CT影像學(xué)表現(xiàn)：（1）輕型臨床癥狀輕微，影像學(xué)未見肺炎表現(xiàn)，而既往研究表明，病變以小斑影片狀、亞段或節(jié)段性分布為主，肺外帶表現(xiàn)為磨玻璃樣密度結(jié)節(jié)狀斑片或片狀影，空氣支氣管征和血管增粗表現(xiàn)。（2）普通型在影像學(xué)上可見肺炎表現(xiàn)，病灶增多、范圍擴(kuò)大，涉及多個肺葉，下葉居多。病灶變密實，雙肺多發(fā)磨玻璃影，部分實變或結(jié)構(gòu)扭曲影內(nèi)支氣管柱狀增粗，下葉背側(cè)肺底弧形肺不張。（3）重型和危重型肺部影像學(xué)顯示24～48 h病灶明顯進(jìn)展＞50%，肺實質(zhì)廣泛滲出、實變，實變影為主，肺結(jié)構(gòu)扭曲，支氣管擴(kuò)張，亞段性肺不張，嚴(yán)重時呈“白肺”［21-24］。

3 模型評估指標(biāo)

神經(jīng)網(wǎng)絡(luò)模型的參數(shù)是權(quán)重和閾值，訓(xùn)練模型是通過訓(xùn)練樣本和學(xué)習(xí)算法反復(fù)調(diào)整權(quán)重和閾值模型參數(shù)值，使實際輸出與理想輸出的誤差較少，最后得到神經(jīng)網(wǎng)絡(luò)解決問題所需要的參數(shù)。訓(xùn)練模型的學(xué)習(xí)算法中，具有代表性的是誤差反向傳播BP算法，廣泛應(yīng)用于神經(jīng)網(wǎng)絡(luò)中。

評估模型的方法有驗證和交叉驗證，不同的評估方法也決定數(shù)據(jù)集的劃分。評價分類模型有混淆矩陣、準(zhǔn)確率、精確率、召回率、特異性等各項指標(biāo)（表3）。

表3 評估模型常見的指標(biāo)Tab.3 Common indicators of evaluation models

4 診斷模型結(jié)構(gòu)

4.1 遷移學(xué)習(xí)

機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘算法的實際應(yīng)用中，訓(xùn)練集和測試集具有獨(dú)立相同分布這種假設(shè)難以成立，主要原因是帶標(biāo)記的樣本數(shù)據(jù)數(shù)量有限和不同數(shù)據(jù)的分布會發(fā)生變化。遷移學(xué)習(xí)技術(shù)作為一個種新的學(xué)習(xí)框架應(yīng)運(yùn)而生，它放寬了對數(shù)據(jù)集分布的約束，采用參數(shù)遷移的方式，避免繁雜的數(shù)據(jù)預(yù)處理工作，加快模型的訓(xùn)練。機(jī)器學(xué)習(xí)與遷移學(xué)習(xí)間不同的學(xué)習(xí)方式的圖示顯示［7］：機(jī)器學(xué)習(xí)的學(xué)習(xí)方式需從頭開始學(xué)習(xí)每一個任務(wù)；而遷移學(xué)習(xí)的學(xué)習(xí)方式在目標(biāo)任務(wù)所需訓(xùn)練數(shù)據(jù)很少的情況下，從一個或者多個源任務(wù)中抽取知識和經(jīng)驗遷移到另一個目標(biāo)任務(wù)中（圖1）。

圖1 機(jī)器學(xué)習(xí)與遷移學(xué)習(xí)間不同的學(xué)習(xí)方式Fig.1 Differences between machine learning and transfer learning.

遷移學(xué)習(xí)涉及到兩個常用的概念，即域和任務(wù)。域分為源域和目標(biāo)域。域和任務(wù)的概念將遷移學(xué)習(xí)分類別，按遷移場景來分類，可以分為歸納式遷移學(xué)習(xí)［25］、直推式遷移學(xué)習(xí)［26-28］和無監(jiān)督遷移學(xué)習(xí)［29］。傳統(tǒng)機(jī)器學(xué)習(xí)與各種不同遷移學(xué)習(xí)之間的關(guān)系（表4）。

表4 傳統(tǒng)機(jī)器學(xué)習(xí)與各種不同遷移學(xué)習(xí)之間的關(guān)系Tab.4 Relationship between traditional machine learning and various transfer learning

遷移學(xué)習(xí)研究還存在著各種各樣的挑戰(zhàn)，域適配問題、多源遷移學(xué)習(xí)問題、深度遷移學(xué)習(xí)、異構(gòu)遷移學(xué)習(xí)等是遷移學(xué)習(xí)領(lǐng)域研究的熱門。目前多數(shù)研究主要集中在監(jiān)督學(xué)習(xí)上，無監(jiān)督或半監(jiān)督學(xué)習(xí)中遷移學(xué)習(xí)在未來可能受到越來越多的關(guān)注。

4.2 診斷模型結(jié)構(gòu)

COVID-19診斷模型的結(jié)構(gòu)顯示，原始VGG-16特征提取網(wǎng)絡(luò)部分遷移到診斷模型上，與全連接層構(gòu)成基于VGG-16網(wǎng)絡(luò)的智能診斷模型（圖2）。它由兩部分組成，第一部分是從VGG-16遷移過來的特征提取層，主要包括卷積層和池化層，同時包含已訓(xùn)練好的參數(shù)，第二部分是多參數(shù)融合優(yōu)化的全連接網(wǎng)絡(luò)層。影像學(xué)數(shù)據(jù)集樣本通過第一個部分的特征提取層來訓(xùn)練第二部分的全連接層，縮短了模型的訓(xùn)練時間。

圖2 COVID-19診斷模型結(jié)構(gòu)Fig.2 COVID-19 diagnostic model structure.

5 輔助診斷模型設(shè)計與測試

5.1 輔助診斷模型簡單全連接層設(shè)計

5.1.1 簡單全連接層神經(jīng)元個數(shù)的比較 診斷模型第一部分與輸出層之間增加一層神經(jīng)網(wǎng)絡(luò)，對神經(jīng)元個數(shù)分別為512、1024、2048 進(jìn)行了驗證。學(xué)習(xí)率設(shè)置為0.00003，樣本批次為29，迭代次數(shù)為30，選擇AdaGradOptimizer優(yōu)化器，損失函數(shù)為均方差，選擇relu作為激活函數(shù)，比較不同數(shù)量神經(jīng)元對模型的影響。

增加的這層神經(jīng)網(wǎng)絡(luò)中不同神經(jīng)元個數(shù)對構(gòu)建的COVID-19診斷模型的影響結(jié)果顯示：根據(jù)準(zhǔn)確率隨訓(xùn)練樣本的迭代次數(shù)的變化曲線（圖3A），迭代次數(shù)達(dá)到12時，3條曲線都達(dá)到了較高的準(zhǔn)確率，且非常接近；根據(jù)損失函數(shù)的收斂曲線（圖3B），隨迭代次數(shù)的增加損失函數(shù)值逐漸收斂，收斂速度最快的是藍(lán)色的收斂曲線。實驗表明，全連接層中第一層神經(jīng)元個數(shù)設(shè)計為2048。

圖3 不同神經(jīng)元個數(shù)的識別準(zhǔn)確率與損失函數(shù)的變化曲線Fig.3 Variation curves of recognition accuracy and loss function for different numbers of neurons.

5.1.2 損失函數(shù)的比較 學(xué)習(xí)率設(shè)置為0.00003，樣本批次為29，迭代次數(shù)為30，選擇AdaGradOptimizer 優(yōu)化器，選擇relu作為激活函數(shù)，比較交叉熵和均方差作用于簡單全連接層對模型的影響。損失函數(shù)為均方差。

訓(xùn)練模型迭代次數(shù)與準(zhǔn)確率之間的曲線關(guān)系顯示（圖4A），紅色曲線是損失函數(shù)為交叉熵時訓(xùn)練集的準(zhǔn)確率曲線，紫色曲線是損失函數(shù)為均方差函數(shù)時訓(xùn)練集的準(zhǔn)確率曲線，比較兩條曲線可知，迭代次數(shù)12之前，損失函數(shù)為交叉熵的準(zhǔn)確率高于損失函數(shù)為均方差的準(zhǔn)確率。迭代次數(shù)與損失函數(shù)值的曲線關(guān)系顯示（圖4B），損失函數(shù)為交叉熵時曲線的收斂速度快。對比交叉熵、均方差的準(zhǔn)確率變化曲線和損失函數(shù)的收斂曲線可知，選擇交叉熵作為網(wǎng)絡(luò)的損失函數(shù)。

圖4 不同損失函數(shù)的識別準(zhǔn)確率與損失函數(shù)的變化曲線Fig.4 Relationship between the recognition accuracy of different loss functions and the loss function.

5.1.3 不同學(xué)習(xí)率 學(xué)習(xí)率為0.00003，樣本批次為29，迭代次數(shù)為30，選擇AdaGradOptimizer 優(yōu)化器，選擇relu作為激活函數(shù)，損失函數(shù)為交叉熵，比較不同學(xué)習(xí)率（0.00001、0.00002、0.00003、0.00004、0.00005、0.0001、0.0002、0.0003）對模型的影響。

學(xué)習(xí)率分別為0.00001、0.00002、0.00003時準(zhǔn)確率隨迭代次數(shù)變化的曲線顯示（圖5A），學(xué)習(xí)率為0.00003時準(zhǔn)確率是最早達(dá)到最高點(diǎn)。學(xué)習(xí)率分別為0.00003、0.00004、0.00005 時隨迭代次數(shù)變化的準(zhǔn)確率曲線顯示，學(xué)習(xí)率為0.00003與0.00005的準(zhǔn)確率曲線幾乎是重合的，在迭代次數(shù)3之前，它們都比學(xué)習(xí)率為0.00004的準(zhǔn)確率高（圖5B）。學(xué)習(xí)率分別為0.0001、0.0002和0.0003時隨迭代次數(shù)變化的準(zhǔn)確率曲線顯示，其中學(xué)習(xí)率為0.0003的準(zhǔn)確率曲線存在波動，學(xué)習(xí)率為0.0001與0.0002的準(zhǔn)確率曲線幾乎是重合在一起，在迭代次數(shù)2之前，學(xué)習(xí)率為0.0001的準(zhǔn)確率稍高（圖5C）。學(xué)習(xí)率分別為0.00003、0.00005和0.0001時隨迭代次數(shù)變化的準(zhǔn)確率曲線（圖5D）。綜上實驗結(jié)果，選擇學(xué)習(xí)率為0.0001來訓(xùn)練診斷模型。

圖5 不同學(xué)習(xí)率的識別準(zhǔn)確率變化曲線Fig.5 Change curve of recognition accuracy rate with different learning rates.

5.1.4 批次大小 學(xué)習(xí)率設(shè)置為0.0001，迭代次數(shù)為30，優(yōu)化器采用AdaGradOptimizer，激活函數(shù)為relu，損失函數(shù)為交叉熵，比較不同的批次大小（10、15、20和29）對模型的影響。

不同樣本批次大小的準(zhǔn)確率與損失函數(shù)的變化曲線（圖6）。批次大小分別為10、15、20、29時準(zhǔn)確率隨迭代次數(shù)增加的四條變化曲線顯示，批次大小為15的準(zhǔn)確率最先達(dá)到最高點(diǎn)，并且沒有波動（圖6A）。批次大小分別為10、15、20、29時損失函數(shù)的收斂曲線顯示，批次大小為15時收斂曲線較平穩(wěn)，且較早到達(dá)最低點(diǎn)（圖6B）。該實驗結(jié)果表明，選擇樣本批次大小為15。

圖6 不同樣本批次大小的準(zhǔn)確率與損失函數(shù)的變化曲線Fig.6 Variation curves of accuracy and loss function for different sample batch sizes.

5.1.5 優(yōu)化器的選擇 學(xué)習(xí)率為0.0001，樣本批次大小是15，迭代次數(shù)為30，激活函數(shù)為relu，損失函數(shù)為交叉熵，比較不同優(yōu)化器（AdagradOptimizer、AdamOptimizer、GradientDescentOptimizer和RMSPropOptimizer）對模型的影響。

不同優(yōu)化器的準(zhǔn)確率與損失函數(shù)的變化曲線（圖7）。分別使用AdagradOptimizer、AdamOptimizer、GradientDescentOptimizer 和RMSPropOptimizer 時 準(zhǔn)確率的變化曲線（圖7A）顯示，其中AdamOptimizer、GradientDescentOptimizer 和RMSPropOptimizer 優(yōu) 化器的準(zhǔn)確率變化曲線都有波動，AdagradOptimizer優(yōu)化器的準(zhǔn)確率變化曲線較平穩(wěn)，并較早到達(dá)最高值。不同優(yōu)化器損失函數(shù)的收斂曲線（圖7B）顯示，其中使用AdamOptimizer和RMSPropOptimizer優(yōu)化器時損失函數(shù)收斂曲線出現(xiàn)波動，而使用AdagradOptimizer 和GradientDescentOptimizer優(yōu)化器時損失函數(shù)收斂曲線在迭代次數(shù)2 之前就到了最低點(diǎn)。優(yōu)化器選擇AdagradOptimizer。

圖7 不同優(yōu)化器的準(zhǔn)確率與損失函數(shù)變化曲線Fig.7 Curves of accuracy and loss function of different optimizers.

綜合上述所有實驗結(jié)果分析，設(shè)計簡單的全連接層，參考表5簡單全連接層神經(jīng)網(wǎng)絡(luò)模型參數(shù)。

表5 簡單全連接層神經(jīng)網(wǎng)絡(luò)模型參數(shù)Tab.5 Model parameters of simple fully connected layer neural network

5.2 輔助診斷模型隱含層與全連接層設(shè)計

在簡單全連接層基礎(chǔ)上通過增加一層，以提高模型的準(zhǔn)確率，神經(jīng)元個數(shù)分別設(shè)置為128、256、512、1024進(jìn)行實驗驗證。學(xué)習(xí)率為0.0001，樣本批次大小是15，迭代次數(shù)為30，優(yōu)化器采用AdagradOptimizer，激活函數(shù)為relu，損失函數(shù)為交叉熵，比較新增加這層不同數(shù)量神經(jīng)元對模型的影響。

神經(jīng)元個數(shù)分別為128、256、512、1024時識別準(zhǔn)確率的變化曲線顯示，神經(jīng)元個數(shù)為256時準(zhǔn)確率變化曲線存在波動，神經(jīng)元個數(shù)為128、512、1024的準(zhǔn)確率變化曲線較穩(wěn)定，迭代次數(shù)達(dá)到2時，3條曲線都達(dá)到最高的準(zhǔn)確率（圖8）。

圖8 不同神經(jīng)元個數(shù)識別準(zhǔn)確率的變化曲線Fig.8 Variation curve of the recognition accuracy of different neuron numbers.

神經(jīng)元個數(shù)分別為128、256、512、1024時損失函數(shù)的收斂曲線顯示，4條曲線的收斂速度差不多，神經(jīng)元個數(shù)為128和256時損失函數(shù)的收斂曲線存在波動，而神經(jīng)元個數(shù)為512和1024時收斂曲線較平穩(wěn)（圖9）。經(jīng)綜合考量，這一層神經(jīng)元個數(shù)設(shè)計為128。

圖9 不同神經(jīng)元個數(shù)損失函數(shù)的收斂曲線Fig.9 Convergence curves of loss functions for different neuron numbers.

綜上實驗結(jié)果，設(shè)計全連接層神經(jīng)網(wǎng)絡(luò)模型，其中每層神經(jīng)元個數(shù)、激活函數(shù)、優(yōu)化器、學(xué)習(xí)率大小、損失函數(shù)和批次大小等參數(shù)（表6），最終設(shè)計的診斷模型結(jié)構(gòu)（圖2）。

表6 全連接層神經(jīng)網(wǎng)絡(luò)模型參數(shù)Tab.6 Fully connected layer neural network model parameters

5.3 測試結(jié)果與分析

COVID-19 輔助診斷模型的訓(xùn)練和診斷效果驗證在Intel(R) Core(TM) i7-6700HQ CPU@2.6 GHz 2.59 GHz，8 GB 內(nèi)存的Windows 10 系統(tǒng)上進(jìn)行［24］。COVID-19影像學(xué)測試集樣本為105個，早期、進(jìn)展期和重癥期的樣本個數(shù)分別為30、39、36個。影像學(xué)測試集中不同CT影像表現(xiàn)的樣本（圖10～12）。

圖10 COVID-19 早期CT影像表現(xiàn)Fig.10 Early CT imaging performance of COVID-19.

圖11 COVID-19 發(fā)展期CT影像表現(xiàn)Fig.11 COVID-19 CT imaging performance during development.

圖12 不同病變分期患者胸部CT影像Fig.12 Chest CT images of patients with different pathological stages.

訓(xùn)練好的COVID-19輔助診斷模型在測試集上的測試結(jié)果以混淆矩陣顯示（表7），表現(xiàn)為早期（真實類別為0）的樣本診斷為0類別樣本數(shù)為29，錯誤診斷為1類別樣本數(shù)為1；而表現(xiàn)為進(jìn)展期樣本全部診斷正確；表現(xiàn)為重癥期（真實類別為2）的樣本診斷為2類別樣本數(shù)為35，診斷為1類別樣本數(shù)為1?；煜仃嚉w一化后（圖13）。

表7 三分類混淆矩陣Tab.7 Three-class confusion matrix(n)

圖13 歸一化的三分類混淆矩陣Fig.13 Normalized three-class confusion matrix.

根據(jù)三分類混淆矩陣中的數(shù)值，計算不同CT表現(xiàn)的敏感度、精確度、F1-Score，得到評估模型的指標(biāo)值（表8），輔助診斷COVID-19的模型在CT表現(xiàn)為早期、進(jìn)展期和重癥期的敏感度分別為0.97、1.00、0.97，精確率分別為1.0、0.95、1.0，F(xiàn)1-score分別為0.98、0.97、0.99。

表8 評估模型的指標(biāo)Tab.8 Methods for evaluating models

輔助診斷COVID-19的模型在測試集上的準(zhǔn)確率達(dá)到98.10%，高于文獻(xiàn)［19-20］所述大型公司或國家級研究團(tuán)隊設(shè)計的輔助診斷COVID-19模型準(zhǔn)確率，105個樣本的診斷時間為28.06 s。3個類別的敏感度分別為0.97、1.00、0.97，精確率分別為1.0、0.95、1.0，F(xiàn)1-score分別為0.98、0.97、0.99。這些模型評估指標(biāo)如準(zhǔn)確率、敏感度、精確率和F1-Score上都較既往研究中設(shè)計的基于遷移學(xué)習(xí)技術(shù)的COVID-19診斷模型［24］有所提高，具有一定的應(yīng)用價值和研究價值。

診斷模型在測試集上的結(jié)果表明，本文設(shè)計的輔助診斷COVID-19的模型可靠性高以及診斷速度較快。雖施打疫苗的人數(shù)不斷增多，但未接種疫苗的人數(shù)還很多，Delta變異病毒株傳染力顯著增強(qiáng)，且正在未接種疫苗的人群中迅速傳播，確診人數(shù)創(chuàng)新高，現(xiàn)階段需篩查、復(fù)檢的人較多，引入輔助診斷COVID-19的智能系統(tǒng)可自動、快速為醫(yī)生提供參考意見，提高臨床診斷效率。

綜上所述，本文基于小樣本影像學(xué)數(shù)據(jù)集，采用遷移學(xué)習(xí)技術(shù)，引入多參數(shù)融合優(yōu)化設(shè)計COVID-19診斷模型。首先對COVID-19影像學(xué)數(shù)據(jù)集進(jìn)行劃分和預(yù)先處理，然后引入基于VGG-16的遷移學(xué)習(xí)技術(shù)搭建全連接層構(gòu)成一個初始的基于遷移學(xué)習(xí)的COVID-19智能診斷模型，通過對全連接層網(wǎng)絡(luò)結(jié)構(gòu)、激活函數(shù)、損失函數(shù)、優(yōu)化算法、學(xué)習(xí)率和樣本批次大小的多參數(shù)融合逐步優(yōu)化，最后訓(xùn)練出一個COVID-19輔助診斷模型。結(jié)合流行病學(xué)史，依據(jù)CT圖像診斷患者處于早期、進(jìn)展期還是重癥期，但診斷模型是基于小樣本數(shù)據(jù)集訓(xùn)練出來的，故數(shù)據(jù)集預(yù)處理、診斷模型有待進(jìn)一步優(yōu)化，對COVID-19的病灶數(shù)量、體積、病灶占比等定量化的研究，更高效、客觀和準(zhǔn)確地進(jìn)行COVID-19嚴(yán)重程度的量化評估，有助于臨床分診及療效評估，更為精確為醫(yī)生提供參考意見。也為進(jìn)一步研究深度學(xué)習(xí)技術(shù)在不同病毒性肺炎的鑒別診斷打下基礎(chǔ)。