深度学习技术在COVID-19诊断中的应用

International Journal of Information Management Data Insights 2（2022）100100审查深度学习技术用于COVID-19诊断王宇，卡罗尔·安妮·哈格里夫斯新加坡国立大学统计与数据科学系aRT i cL e i nf o保留字：COVID-19深度学习图像分类胸部X光诊断a b sTR a cT在抗击COVID-19的过程中，及时准确地筛查受感染的患者至关重要。胸部X线（CXR）和计算机断层扫描（CT）筛查在诊断COVID中发挥着重要作用19.研究表明，某些患者在COVID-19症状开始前胸部放射学图像就会发生变化，而COVID-19和其他肺部疾病的症状在非常早期阶段可能相似此外，尽快有效区分COVID-19患者与健康人群以及其他肺部疾病患者至关重要，否则不准确的诊断可能会使更多人暴露于冠状病毒。许多研究人员已经开发了端到端的深度学习技术，用于COVID-19患者的分类，而无需手动特征工程。在本文中，我们回顾了不同的深度学习技术，这些技术已被用于分析胸部X光和计算机断层扫描扫描，以对Covid-19患者进行此外，我们还总结了常见的公共数据集，挑战，限制和未来可能的工作。这篇综述论文非常有价值，因为它证实了（1）深度学习模型在胸部X线分类中是有效的，射线图像提供的训练数据集是足够大的。（2）数据增强和生成对抗GANs网络解决了小训练数据集的问题。(3)迁移学习方法大大增强了对胸部图像分类重要的特征的提取和选择。(4)超参数调整对于将深度学习模型的准确率提高到97%以上非常有价值。我们的回顾研究有助于新的研究人员确定进一步或新研究的差距和机会1. 介绍2019年12月，中国武汉首次发现2019年冠状病毒病（COVID-19），并很快在全球蔓延（Page et al.，2021年）。2019年的冠状病毒病是由严重急性呼吸道综合征冠状病毒2（SARS-CoV-2）引起的，当人们呼吸或被溅到或通过受污染的表面喷洒受污染的液体时传播（CDC 2020）。因此，为了有效地控制感染的传播，有必要尽快诊断患者并采取预防措施。冠状病毒病的研究已成为一个研究热点，吸引了世界各国科学家对该课题进行进一步研究。COVID-19的可能症状包括发烧、咳嗽和头痛（Islam，2021），可能在接触病毒后1至14天出现。但由于有时症状不明显，因此采用医学测试方法来诊断疾病。标准方法，实时逆转录酶-聚合酶链式反应（RT-PCR）（Ai等人， 2020），已被用于常规筛查，并被发现是有效和可靠的。然而，这些测试检测核糖核酸（RNA），而不是传染性病毒.一些国家还开发并批准使用血清学检测（检测身体对感染产生的抗体）（NHS staiwill 2020）。此外，胸部放射成像（如计算机断层扫描（CT）和X光）有助于诊断COVID-19。中国的研究人员发现，X射线图像分析对感染的特异性较低，胸部CT扫描结果比PCR检测更快，更敏感（Ai et al.，2020年）。鉴于放射学图像为了更好地识别和诊断病例，医学生物学、生物统计学和计算机科学领域的研究人员提出了各种胸部图像分类方法，用于识别 新冠肺炎-19.人工智能在自动化中的应用，特别是深度学习，如今在医学图像分类、股票价格预测等领域越来越受到研究人员的欢迎（Al-Sulaiman，2022; Chand& Zhang，2022; Verma等人，2021年）。在 本文重点介绍了应用深度学习方法基于胸部放射图像对COVID-19患者进行分类的学术论文。我们的文献综述提供了以下主要贡献：∗ 通讯作者。电子邮件地址：carol. nus.edu.sg（C.A. Hargreaves）。https://doi.org/10.1016/j.jjimei.2022.100100接收日期：2022年2月26日;接收日期：2022年7月12日;接受日期：2022年7月14日2667-0968/© 2022作者。由Elsevier Ltd.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）目录可在ScienceDirect国际信息管理数据见解期刊主页：www.elsevier.com/locate/jjimeiY. Wang和C.A. 哈格里夫斯International Journal of Information Management Data Insights 2（2022）10010021 提供2020年至2021年COVID-19检测的广泛概述，其中深度学习方法和算法应用于胸部X光图像或胸部CT扫描。在这几年里，我们评估了应用于胸部X光或胸部CT扫描以检测Covid-19的方法的演变。2 此外，我们提供了用于从胸部X光或胸部CT扫描中识别Covid-19的常见公共数据集的总结。3 我们还确定了从胸部图像中检测COVID-19存在的挑战和限制。4 此外，我们为深度学习技术的应用提供了未来可能的方向。本文的其余部分组织如下：第2节演示 我们 搜索 标准， 这 包括的搜索研究方案、检索的数据库以及入选和排除标准。 第3节总结了自疫情爆发以来不同时期用于识别COVID-19的深度学习算法。第4节简要介绍了全球研究人员使用的标准数据集。第5节讨论了挑战、限制和未来可能的方向。第六是结论。2. 研究方法为了更有效地找到适合我们主题的论文，我们采用了系统性文献综述（SLR）（Kumar et al.，2021;Votto等人，2021年）。首先，我们使用了一个搜索协议与相关关键字的组合。接下来，我们定义了入选和排除标准，以根据标题、关键词和摘要过滤论文。我们研究中使用的大多数研究论文来自Web of Science和IEEE Xplore数据库。2.1. 搜索协议构建首先，我们选择了许多搜索词对于那些在文章标题和关键字中包含我们的搜索词的文章，我们下载了这些文章进行进一步分析。2.2. 纳入和排除规则在收集了包括检索词在内的广泛文献后，应用纳入和排除标准进行筛选非常重要。我们仅采纳介绍COVID-19图像分类创新方法及深度学习相关技术的文章。为了分析全球COVID-19放射影像分类的发展，我们倾向于选择来自不同国家的文章，但排除了以非英语发表的研究论文2.3. 基于内容的此外，有必要根据内容-标题，关键词和摘要来过滤论文。本文只选取了具有详细理论背景和完整实验步骤的论文.我们还排除了偏离我们主题的论文。我们共选取了三十篇论文，均适合研究人工智能领域的COVID-19放射影像分类3. 背景资料面对不断增加的感染人数和高感染率的COVID-19，许多不同领域的研究人员提出了各种基于深度学习的胸部图像分类方法，胸部X光或CT扫描，或两者兼而有之，以更好地识别和诊断病例。为寻找使用深度学习方法诊断COVID-19阳性患者的研究，我们根据涉及“图像分类”、“深度学习”、“COVID-19”和“胸部CT /X光”定义的关键词检索论文。接下来，我们将研究论文分为第一阶段（2020年2月– December 2020) and Phase 3 (January 2021 – December 2021) basedon their submission3.1. 第一阶段：COVID-19初期（2020年2月至2020年4月COVID-19于二零一九年底出现，并于二零二零年初在全球蔓延。在2020年2月至2022年4月的这一阶段，进行了许多尝试，使用不同的处理架构和不同的优化方法来分析经典的胸部X射线图像和CT扫描，以更准确地识别COVID-19患者。我们确定了研究人员努力引入和开发的三个主要重点领域，用于分析医学图像以检测Covid-19。三个重点领域 如下所列3.1.1. 特征选择许多早期的研究都注重于特征提取，直接确定病害特征。例如，希腊研究人员（Apostolopoulos等人，2020）采用了一种计算机辅助诊断系统，称为MobileNet（v2）的卷积神经网络（CNN）架构，旨在研究深度学习方法和特征提取的有效性，以及区分Covid-19。他们首先利用六种最常见的肺部疾病进行了一项实验，以评估深度学习的方法，然后设计了三个不同的实验，改变挖掘方法，以检查COVID- 19胸部X光图像提取特征的方差。最高准确率达99.18%，证明了该策略的可行性。在收集本院4356例胸部CT资料的基础中国科学家（Li et al.，2020）开发了一个三维深度学习框架，以基于ResNet50架构提取2D局部和3D全局代表性特征，称为COVNet。它从肺炎患者和正常人中检测COVID-19患者的可靠能力。此外，Ozturk等人（2020）通过引入一种名为DarkCovidNet的端到端架构，提出了一个稍微不同的想法，该架构受到DarkNet架构的启发。使用了两种不同的情景，即三个类别（COVID-19、无发现和肺炎）和两个类别（COVID-19和无发现）的分类，准确率分别为87. 02%和98. 08%。 该模型成功地克服了射线照相术在早期阶段无法检测到细微细节和轻微症状的问题，而无需使用任何特征提取方法。3.1.2. 有限数据足够大的可用数据集用于训练模型被认为对于精确度和模型评估至关重要 在深度学习方面在2020年2月至2020年4月期间，许多研究小组（例如，（Ucar& Korkmaz，2020; Apostolopoulos等人，2020; Waheed等人， 2020; Wang等人， 2020年））意识到检测COVID- 19的数据不完整和数据量有限的问题至关重要。因此， Ucar Korkmaz （UcarKorkmaz，2020）利用多尺度线性增强作为其模型的第一阶段以缓解公共数据集样本分布不均匀的问题。此外，Apostolopoulos等人（2020年）通过旋转其图像来应用数据增强。他们还在论文中指出，应提及一些数据限制，即，COVID- 19感染病例的样本相对较小，较早记录的肺炎事件样本，以及无法获得与人口特征相关的进一步数据。Waheed等人（2020）指出，CNN可以很容易地过度-适合一个小的数据集，而医疗图像收集是昂贵的，Y. Wang和C.A. 哈格里夫斯International Journal of Information Management Data Insights 2（2022）1001003表12000年2月至2020年4月发表的深度学习模型比较作者国家和地区提交时间图像类型主模型类别标签和样本量准确度（%）Li等人（2020年）中国2月20日胸部CTCOVNet（基于ResNet50）小行星1296小行星1735小行星132596.00Wang等人（2020年）加拿大Mar-20胸部x线COVID-1913870例患者病例的13975张CXR图像分为三类：COVID-19阳性图像非COVID-19肺炎病例正常病例93.30Ozturk等人（2020年）土耳其、英国、新加坡、中国台湾、日本4月20日胸部x线DarkCovidNet（基于DarkNet）125 COVID-19500肺炎500个未发现93.00电影UcarKorkmaz（2020）土耳其4月20日胸部x线COVIDiagnosis-Net（基于Deep Bayes-SqueezeNet）76 COVID-19小行星4290小行星158397.93Apostolopoulos等人（2020）希腊4月20日胸部x线MobileNet v2224 COVID-19714肺炎小行星504二级：99.187级：87.66Waheed等人（2020年）印度、土耳其、巴西4月20日胸部x线CovidGAN（基于辅助分类器生成对抗网络）72 COVID-19120例正常95.00很难，很难收集。因此，为了减轻这些缺点，他们提出了一个基于辅助分类器生成对抗网络（ACGAN）的模型CovidGAN来生成合成图像，并设计了一个基于CNN的模型来检测COVID-19。他们还在这篇论文中声称，据他们所知，他们是第一个提出GAN架构以改进COVID-19检测的人。此外，Wang等人（2020）基于其他四个公共数据集构建了一个名为COVIDX的公共开放获取基准数据集。起初，COVID-19阳性患者的CXR图像很少，但不断更新。后来，COVIDX数据集于2021年11月28日更新，已包含16，490张COVID-19阳性图像。除数据集外，Wang等人（2020）还提出了一种名为COVID- Net的开源深度卷积神经网络架构，该架构具有轻量级剩余投影-扩展投影-扩展（PEPX）设计模式，在各个区域具有选择性的远程连接性，以及相当大的架构多样性。除此之外，他们还利用了一个可解释性驱动的审计，GSInquire，使检测过程更加可解释和透明。3.1.3. 超参数调整超参数选择一直是深度学习领域的一个关键问题。为了增强超参数优化，Ucar Korkmaz（2020）创建了一个名为COVIDiagnosis- Net的新模型，通过使用深度SqueezeNet结合贝叶斯优化来快速诊断COVID-19。换句话说，贝叶斯优化通过使用来自学习数据的先验知识处理目标函数的全局优化或最小化问题来工作，当调整超参数时。于二零二零年初发表的有关COVID-19胸部影像分类分析的研究文章，揭示了科学家的研究重点，并为该领域的更多兴趣打开了大门。2020年2月至2020年4月期间发表的关键研究论文摘要尽管模型的准确性看起来不错，但我们可以看到，这些研究论文要么缺乏数据，分类不多，其有效性无疑还需要时间和更多的实验来检验。在表2中，我们总结了研究人员概述的主要挑战，从数据限制到特征选择到超参数调优。关于优化生成对抗网络（GANs）用于胸部图像合成以及图像深度学习算法在临床医学中的应用问题，表22020年2月至2020年挑战域挑战参考文献列表超参数超参数优化是有限的电影UcarKorkmaz（2020）数据数据不平衡/不完整/有限Apostolopoulos 等 人（2020）; Ozturk等人（2020）;Ucar&Korkmaz（2020年）;Waheed 等 人 （ 2020年）单一数据源（来自同一家医院）Li等人（2020年）特征很难区分细微的细节Ozturk等人（2020年）很难将重叠的肺对各种损伤有Li等人（2020年）方法经典的数据扩充是有限的，GAN可以更好Waheed等人（2020年）深度学习方法缺乏透明度和可解释性Apostolopoulos等人（2020）; Li et al.（2020年）诊所缺乏临床试验/实验室确认Li等人（2020）;Waheed等人（ 2020年）在2020年2月至2020年4月期间发表的论文中，学者们没有提出有效的解决方案3.2. 第二阶段：2019冠状病毒病中期（2020年在此阶段（2020年5月至2020年12月），COVID-19已在全球多个地区得到初步控制，但2020年10月Delta变种病毒的出现使情况变得严重。关于冠状病毒的研究数量呈指数级增长，提出了更多的深度学习架构，以更好地处理第一阶段提到的特征选择、有限数据和超参数调整等问题。3.2.1. 特征选择有许多研究人员致力于改进特征提取，以获得更准确的结果。例如，Wang et al.（2021）的架构包括三个主要部分，即预处理、特征提取和使用著名的GoogleNet Incep- tion v3 CNN进行分类。从特征提取中，他们处理了感兴趣区域（ROI）图像，并精确描绘了肺轮廓，以增强肺功能。Y. Wang和C.A. 哈格里夫斯International Journal of Information Management Data Insights 2（2022）1001004确保模型的实用性。此外，Perumal等人（2021）使用Haralick纹理特征EX牵引，其提供关于在三种经典架构ResNet 50、Inception V3和VGG中，特定PIXel16.结果表明，基于VGG-16的迁移学习模型的预测精度较高。此外，Ismael Eschengür（2021）表明，深度学习-使用这种方法，特别是深度特征和支持向量机（SVM）分类器优于其他方法。Ismael Eschengür（2021）应用了五个预先训练的CNN模型和四个SVM核函数，最终从ResNet 50模型和SVM分类器中提取的深度特征与线性核函数产生了最高的准确率得分，为94. 7%。此外，Tuncer等人（2021）提出了一种新的胸部图像分类方法，包括使用傅立叶变换和模糊树构建的轻量级多级特征提取方法。分类阶段使用了16个分类器，Cubic SVM模型达到最高准确度。3.2.2. 有限数据为了减轻不充分数据的后果，一些研究人员正在努力用更全面和有效的图像来扩展数据集（Misztal等人，2020; Wang等人， 2021），并且一些使用数据增强方法来添加模拟或处理的图像以模仿真实图像（Elzeki等人，2021年; Ismael& Zengür，2021年; Liang等人，2020;Menon等人，2020年）。生成对抗网络（GAN）在数据增强方面很受欢迎 ， 在 这 个 阶 段 ， 一 些 GAN 优 化 思 想 已 经 成 功 实 现 。 Liang 等 人（2020）应用了条件生成对抗网络（cGAN），其中涉及图像的条件生成。在这种架构中，U网用于生成器（G）网络和解码器（D）网络 让建筑更简单。此外，Menon等人（2020）通过引入平均教师方法（MTT-GAN）扩展了基本GAN，该方法包括两个单独的模型，生成器网络和判别器网络，并使用迁移学习来训练这两个网络。此外，Das等人（2020）提出了一个截断的3.2.3. 超参数调整在这个阶段，超参数调整不再是焦点，相反，迁移学习变得流行，迁移学习成为研究人员提高模型精度结果的常用工具。开发了许多涉及迁移学习的方法来优化所提出的网络（Elzeki等人，2021;Wang等人，2021;伊斯梅尔&Eschengür，2021;Perumal等人，2021;Menon等人，2020年）。此外，迁移学习在一定程度上缓解了缺乏COVID-19阳性数据的问题。3.2.4. 讨论然而，在临床领域的研究并没有太多进展。Wang等人（2021）意识到了这个问题，并设法招募了一些患有COVID或病毒性肺炎的患者来评估算法的价值，但用于临床测试的人数仍然太少。 我们还有很长的路要走，才能将其应用于现实生活和临床领域。2020年4月之前解决的大多数挑战都有新的创新解决方案。然而，总有新的挑战需要发现和加强。Lee等人（2020）认为，以前关于迁移学习策略的研究仅关注通过比较不同的深度卷积神经网络（DCNN）模型以及隐藏层深度和 对于相同的CNN架构，迁移学习的微调程度尚未进行比较研究。因此，Lee等人（2020）设计了一项由两个主要组组成的实验，一组使用VGG-16 另一个应用VGG-19来评估隐藏层深度的影响。然后根据微调程度将每组再分为6个亚组最后，在12个子实验中，具有两个VGG-16模型块的微调模型表现最好。Das等人（2020）提出了关于CT扫描局限性的讨论，有待优化 未来的研究人员。在2020年5月至2020年12月期间，一些研究人员提出了新的模型来分类COVID-19胸部图像。Elzeki等人（2021）提出了一种称为胸部X射线COVID网络（CXRVN）的新型深度学习架构，该架构具有四个卷积层，三个池化层和一个全连接层。将GAN数据增强方法和迁移学习方法应用于不同的实验中，实验结果证明了GAN数据增强方法和迁移学习方法对提高整体精度的有效性。表3提供了该时间段内COVID- 19胸部图像分类的关键发现总结。下表4显示了2020年5月至2020年12月期间提交的论文提出的挑战。3.3. 第三阶段：最近COVID-19期间（2021年2021年1月至2021年12月，随着疫苗的发明和上市，人们终于看到了战胜疫情的曙光。科学家们用更大的数据集和更全面的考虑来应对这些挑战，提出了更复杂的答案。3.3.1. 特征选择El-Kenawy et al.（2021）提出了一种创新思想，提出了一种用于特征提取的高级松鼠搜索优化算法（ASSOA），该算法是受松鼠搜索（SS）基本优化算法的启发而建立的在第一步中，使用具有数据增强、丢弃和迁移学习的CNN模型ResNet-50来学习特征。然后，应用ASSOA算法多层感知器神经网络（MLP），这是由所提出的ASSOA算法优化，将分类输入的最后阶段。Zhu等人（2021）提出了一种基于GAN的方法，该方法通过CT图像的放射组学对应物生成手工特征，称为生成对抗特征完成和诊断网络（GACDN）。他们的框架专注于单视图诊断框架忽略特定位置的手工特征中的基本信息的问题。实验结果表明，该模型不仅能获得更好的分类性能和特征质量，而且与现有方法相比，能够降低技术和时间成本。3.3.2. 有限数据Bashar等人（2021）设法在更大的酒吧上训练他们的模型，Lic数据集。他们的研究团队优化了深度学习方法，用于自动分类和诊断，使用了Kaggle上最大的开源数据集。该数据集包括四个类别：COVID-19阳性图像、正常图像、肺混浊图像和病毒性肺炎图像。需要VGG19、VGG16、DenseNet、AlexNet和GoogleNet的数据增强技术、图像增强和迁移学习，并实现了95.63%的最高平均准确率此外，为了操作潜在的巨大数据量，Chakraborty等人（2021）应用了 MongoDB 与 GridFS 接口作为其系统中的数据存储，该系统主要使用迁移学习方法将CXR数据分类为COVID-19，肺炎和正常。此外，Li等人（2021）提出了关于数据偏倚的新挑战。他们指出，数据集中的CT扫描可能来自单一来源，并且可能具有代表来源的隐含图像特征，因为不同来源配备了不同的CT扫描仪、扫描协议和后处理程序。这就提出了一个问题，即分类结果可能与源而不是图像Y. Wang和C.A. 哈格里夫斯表3International Journal of Information Management Data Insights 2（2022）10010052020年5月至2020年12月论文的拟议模型和方法比较作者国家和地区提交时间图像类型主模型类别标签和样本量准确度（%）Das等人（2020年）澳大利亚5月-20日胸部x线截断的Inception网络（基于Inception Net V3）162 COVID-19小行星4280342 TB（中国）58 TB（美国）99.96&2021年：伊拉克、土耳其5月-20日胸部x线Resnet-50+SVM95端到端培训94.70Wang等人（2021年）中国6月20日胸部CTGoogleNet Inception v3 CNN180病毒性肺炎79例确诊核酸检测15冠状病毒，但前两次核酸检测呈阴性82.90Perumal等人（2021）印度Jul-20胸部CT X线Haralick + VGG16、Resnet50和Inception V32538细菌性肺炎1345病毒性肺炎小行星134993.00Misztal等人（2020年）波兰Aug-20胸部CT X线2019冠状病毒病CT射线图像数据库6000自包含数据集92.00Tuncer等人（2021年）土耳其、芬兰、沙特阿拉伯10月20日胸部x线一种新的EX emplar胸部图像分类方法135 COVID-19150例肺炎150例正常97.01Elzeki等人（2021年）埃及10月20日胸部x线胸部X射线COVID网络（CXRVN）数据集1：25 COVID-19，25正常数据集2：221 COVID-19，234正常数据集3：221 COVID-19，234正常，148肺炎94.50Lee等人（2020年）韩国10月20日胸部x线VGG-16、VGG-19小行星607607肺炎607 COVID-1995.90Liang等人（2020年）中加12月20日胸部x线cGAN，ResNet219 COVID-19小行星13411345病毒性肺炎97.80Menon等人（2020年）美国12月20日胸部x线MTT-GAN，VGG-19，AlexNet二进制类：1400 COVID-19，1400正常多类：1400 COVID-19，1400正常，1400细菌性肺炎，病毒性肺炎92.45表42020年5月至2020年12月挑战域挑战参考文献列表超参数超参数：学习率Das等人（2020年）数据限制图像Elzeki等人（2021年）小型COVID-19数据集Das等人（2020）;Liang等人（2020年）;Wang等人（2021年）CT和CXR数据均应用于此任务Misztal等人（2020年）特征受疾病Das等人（2020）;Wang等人（2021年）方法未能在COVID-19Das等人（2020年）许多因素，如低信噪比和复杂的数据集成对DL的效率提出了挑战Wang等人（2021年）诊所未解决，分类为不同的严重程度Li等人（2020年）应使用更多类型的具有不同特征Elzeki等人（2021年）别人层深和精细调谐度Lee等人（2020年）CT的局限性：昂贵且复杂Das等人（2020年）RT-PCR结果Misztal等人（2020年）自己提出了一种新的训练策略--MIX-AND-Interpolate（MINI），该策略根据将来自不同领域（来源）的两个真实训练样本组合起来。3.3.3. 超参数调整Bahgat等人（2021）专注于超参数优化。他们引入了一种基于优化迁移学习的COVID-19自动检测方法（OTLD-COVID-19），以优化CNN架构的网络超参数实验表明，DenseNet 121的性能最好，准确率可达98.47%.Lacerda等人（2021）提供了一种在VGG-16上进行深度转移学习的方法，以及一种名为Optuna的超参数优化最后达到了88%的准确率。3.3.4. 讨论2021年，迁移学习的使用仍然非常普遍。一些科学家专注于迁移学习的力量（Chakraborty等人，2021; Fayemiwo等人，2021; Gupta等人， 2022; Zhao等人，2021年）。他们采用了各种经典的深度学习架构和迁移学习，并对网络的性能进行了比较。其他研究人员更喜欢使用迁移学习作为其整个框架的优化部分，以进一步改善效果（El-Kenawy等人，2021; Bashar等人，2021; Bahgat等人，2021; Baltazar等人， 2021;Lacerda等人， 2021年）。GAN被研究人员广泛应用于不同的领域，如数据增强，图像分割等。 Zhu等人（2021）应用优化GANs方法（GACDN）来提高特征提取率，Y. Wang和C.A. 哈格里夫斯表5International Journal of Information Management Data Insights 2（2022）10010062021年提交的研究论文的拟议模型和方法比较作者国家/地区提交时间图像类型主模型类别标签和样本量准确度（%）El-Kenawy等人（2021）Eygpt，澳大利亚，韩国2月21日胸部x线ResNet+ASSOA+MLP3个班99.70Baltazar等人（2021）菲律宾2月21日胸部x线迁移学习，网格搜索（InceptionV3，InceptionResNetV2，Xception，VGG，MobileNet）629 COVID-191505病毒性肺炎细菌性肺炎194例异常非结肠炎a565非COVID-19肺炎小行星3593未提及（使用其他3个变量）Bahgat等人（2021年）埃及Mar-21胸部x线OTLD-COVID-19（基于DenseNet121）小行星2151小行星3187小行星30474548正常98.47Fayemiwo等人（2021）尼日利亚Mar-21胸部x线深度迁移学习模型（DTL），（VGG-16，VGG-19）1300 COVID-191300正常1300病毒不同的470组（70 COVID-19 200病毒200正常测试）95.00Lacerda等人（2021年）巴西Mar-21胸部CT迁移学习（VGG-16），Optuna856 COVID-191319非COVID-1988.00Park等人（2021年）韩国4月21日胸部x线一种新的ViT模型，基于阵列的注释方法（Toussie etal. 2020年）预培训：224，316 CXR图像分类：26846正常1672其他感染小行星5755严重度量化：4782张CXR图像86.80Chakraborty等人（2021）孟加拉国5月-21日胸部x线迁移学习（VGG19，VGG16，DenseNet，AlexNet，GoogleNet），MongoDB与GridFS小行星1184小行星1294小行星131997.11Zhu等人（2021年）中国5月-21日胸部CT生成式对抗特征完备与诊断网络（GACDN）小行星1495小行星102791.31He等人（2021年）中国、美国5月-21日胸部CTGans没有提到未提及（使用其他6个变量）Sangeetha等人（2021）印度Aug-21胸部CT混合群智能和模糊DPSO，Dropout CNN分类器没有提到99.00Zhao等人（2021年）中国Aug-21胸部x线ResNet-50 × 1，采用VanillaResNet-v2架构2358 SARS-CoV-2-阳性13993 SARS-CoV-2-阴性(8418非肺炎5575例非SARS-CoV-2肺炎）96.50Bashar等人（2021年）阿拉伯、加拿大、美国9月21日胸部x线一种结合图像增强、数据增强和迁移学习的方法。（VGG19，VGG16，DenseNet，AlexNet，GoogleNet）3616 COVID-19，1345病毒性肺炎，6012肺混浊，小行星1019294.23Li等人（2021年）中国10月21日胸部CTMiX-和-插值（MINI）+3D ResNet-181046 COVID-19小行星652475例非肺炎96.40Gupta等人（2022年）印度10月21日胸部x线迁移学习（VGG-19，ResNet，InceptionNet）206新冠肺炎206正常94.00步骤。He et al.（2021）通过利用三种不同的变异算子，权重裁剪和JS发散，Wasserstein距离等，开发了一种可进化的GAN框架，以克服GAN的局限性和问题此外，一些科学家小组对这些方法及其临床应用范围提出了新的想法。Baltazar等人，2021）关注临床前景，并提到了临床适用性问题，即，数据质量未经核实、COVID-19阳性病例不足，以及缺乏有关数据集如何产生的信息。考虑到临床、方法和数据的观点，作者基于Incep-tionV 3架构聚合了经临床验证的CXR图像数据集和精心制定的研究设计。他们认为，它可以通过重新-搜索社区，以推进和创建实用的人工智能解决方案，以缓解COVID-19。Park等人（2021）声称，CNN架构对于需要高级别CXR疾病分类的问题来说可能不是最佳的，因为卷积中像素依赖性的固有局部性。他们优化并提出了一种新的ViT模型，该模型利用ViT作为低级别CXR特征语料库的特征提取器，该语料库包含关于解决方案的常见CXR结果的表示。此外，他们还扩展了COVID-19严重程度量化和本地化的模型，并建立了一个多任务模型来整合这两个任务，并取得了良好的表现。图像处理领域的一些其他问题也可以与图像分类相结合，以帮助检测。Sangeetha等人Y. Wang和C.A. 哈格里夫斯International Journal of Information Management Data Insights 2（2022）1001007表62021年研究人员面临的主要挑战挑战域挑战参考文献列表数据限制阳性案例/许多模型在小数据集上训练或测试，具有少量类别Baltazar等人（2021）;Bashar等人（2021）一些因素阻碍了研究者对医学图像Baltazar等人（2021年）缺乏关于这些数据集如何生成Baltazar等人（2021年）由于隐私问题，大多数用于诊断目的的CXR图像无法公开访问（难以收集数据）Zhao等人（2021年）数据源偏差问题：数据集只包含单一类别的数据Li等人（2021年）方法GAN往往很难训练He等人（2021）; Zhu等人（2021年）从开发到临床缺乏模型翻译Baltazar等人（2021年）缺乏模型可移植性，当将AI模型迁移到另一个主机时会出现困难Baltazar等人（2021年）CNN架构对于需要高水平CXR疾病分类的问题可能不是最佳的，这些问题需要整合像素Park等人（2021年）诊所在临床场景中的应用仍然存在一些问题Baltazar等人（2021）; Zhao etal.（2021）; Zhu et al.（2021年）（2021）利用混合群智能及模糊DPSO预处理输入数据，旨在首先为肺部分割及量化提供更有意义的信息。其次，使用称为Dropout CNN分类的新方法来检测肺部图像的异常，从而确定患者是否被感染，这可以用于对患者进行分类。综上所述，我们总结了2021年1月至2022年12月期间胸部影像分类的研究信息。参见表5。从表5中，我们可以看到，与之前的研究相比，随着时间的推移，算法逐渐成熟和多样化，随着数据的积累，提出了更可靠的模型。下表6临床和实际应用受到更多关注。4. 数据集摘要在深度学习中，数据的质量和数量可以极大地影响建模结果。因此，找到高质量的可访问数据集至关重要。在第3节中，我们总结了下表7中研究人员使用的公共数据集，并指出了一些流行的数据集并进行了简要描述。从上表7可以看出，有许多不同的公共数据集，其中研究人员使用最多的是以下数据集• Daniel Kermany、Kang Zhang和Michael Goldbaum于2018年 1月构建了一个名为标记光学相干断层扫描（OCT）和胸部X射线图像分 类 的 数 据 集 ， 其 中 包 含 数 千 张 图 像 （ Kermany Zhang ，2018）。• 胸部X光图像（肺炎）是Mooney于2018年3月在Kaggle上首次更新的数据集。它有两个类别的5863张图像（Mooney，2020）。• 来自卡塔尔多哈的卡塔尔大学和孟加拉国达卡大学的研究人员及其来自巴基斯坦和马来西亚的合作者与医生合作创建了COVID-19阳性病例的胸部X射线图像数据库以及正常和病毒性肺炎图像，这是COVID-19放射学数据库（Rahman et al.， 2020年）。• 钟先生于二零二零年五月首次于GitHub上载图1 COVID-19胸部X光计划数据集，而彼等的团队正不断努力于新数据可用时扩充此数据集（钟先生，二零二零年）。• Cohen等人于2020年创建了一个公开的COVID-19 CXR图像数据集，其中包含来自26个国家的医院的5种类型的679张正面胸部X射线图像和82张侧面胸部X射线图像。它是我们综述中最受欢迎的数据集（Cohen等人， 2020年）。5. 讨论在第5中，我们讨论了用于COVID-19识别的胸部图像分类研究的贡献、挑战、局限性和差距5.1. 文学贡献本文献综述总结了2020-2021年广泛的实验研究概述。在过去的两年中，许多研究人员关注的理论方面，如数据样本大小，特征提取，超参数调整，和架构优化。数据量的显著进步是相当可观的，模型的准确性、灵敏度和特异性也大大提高。本文对COVID-19图像分类项目的发展进行了系统和详细的总结，以便未来的科学家能够尽快跟上项目的进展。此外，我们还提出了本研究项目尚存在的不足之处，以帮助科学家更好地选择课题，弥补该领域的不