[发明专利]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

说明书

本发明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。

技术领域

本发明属于智能医疗领域，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。

背景技术

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。

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。

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。

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。

发明内容

本发明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。

本发明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。

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。

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；