Огляд методів ідентифікації захворювань за допомогою знімків комп’ютерної томографії

Ф. А. Смілянець; О. Д. Фіногенов

Розглянуто методи та підходи до комп’ютерної діагностики різних захворювань легень на підставі автоматизованого аналізу знімків комп’ютерної томографії. Виконано пошук в базі даних Google Scholar за кількома запитами на тему аналізу знімків комп’ютерної томографії за допомогою глибокого навчання та машинного навчання серед статей, опублікованих протягом або після 2017 р. Після відсіювання результатів пошуку сформовано набір із 39 статей. Набір даних розділено за датою публікації на дві категорії: до та після початку пандемії COVID-19. Для кожного дослідження в отриманому наборі зібрано інформацію про розмір використаного набору даних, захворювання, які містяться у ньому, основну ціль класифікації, застосовані підходи та архітектури, метрики, використані для оцінювання результатів, та значення цих метрик. Надано повну інформацію про кожну зі статей у наборі, разом з посиланням. Інформацію наведено в двох таблицях, залежно від публікації до чи після появи COVID-19. Визначено, описано та порівняно популярні методології із найкращими показниками. Вибрані методології порівняно за отриманим показником точності, наведеним у відповідному дослідженні. Надано порівняльну таблицю одержаних показників точності. Вибрано найперспективніші з досліджених у розглянутих статтях методологій за показником точності. На момент укладання цього огляду ResNet його варіації та архітектури, побудовані на його основі, мають найкращі результати, а VGG та Xception є близькими конкурентами. Описано складнощі з оглядом наявних досліджень у цій галузі, найважливішими з яких є різноманітність у способі опису розміру набору даних та виборі метрик оцінювання результатів, що ускладнює порівняння багатьох окремих статей або принаймні погіршує якість такого порівняння. Описано та розглянуто метрики, які часто використовують для вимірювання результативності методів машинного навчання, застосованих у знайдених дослідженнях. Запропоновано напрям подальших досліджень з акцентом на класифікацію з багатьох класів, модульність та прогнозування прогресу захворювання. Запропонований напрям обґрунтовано тим, що більшість виявлених досліджень зосереджені на класифікації за одним класом. Також практично жодне з досліджень не аналізує прогрес захворювання, а майже всі дослідження розглядають жорсткі рішення, малопридатні для розширення з метою підтримки майбутніх захворювань та інших методів класифікації.

аналіз знімків комп’ютерної томографії

1. WHO Coronavirus (COVID-19) Dashboard [Web resource]. Resource access mode: https://covid19.who.int. Accessed at 18 Feb 2024.

2. Lakhani, P, Sundaram, B. (2017). Deep Learning at Chest Radiography: Automated Classification of Pulmonary Tuberculosis by Using Convolutional Neural Networks. Radiology, 284(2), 574-582. https://doi.org/10.1148/radiol.2017162326

3. Carneiro G, Oakden-Rayner L, Bradley AP, et al. (2017). Automated 5-year mortality prediction using deep learning and radiomics features from chest computed tomography. 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017), 130-134. https://doi.org/10.1109/ISBI.2017.7950485

4. Zhou X, Takayama R, Wang S, et al. (2017). Deep learning of the sectional appearances of 3D CT images for anatomical structure segmentation based on an FCN voting method. Med. Phys., 44, 5221-5233. https://doi.org/10.1002/mp.12480

5. Xie Y, Xia Y, Zhang J, et al. (2019). Knowledge-based Collaborative Deep Learning for Benign-Malignant Lung Nodule Classification on Chest CT. IEEE Transactions on Medical Imaging, 38(4), 991-1004. https://doi.org/10.1109/TMI.2018.2876510

6. Nam JG, Park S, Hwang EJ, et al. (2019). Development and Validation of Deep Learning – based Automatic Detection Algorithm for Malignant Pulmonary Nodules on Chest Radiographs. Radiology, 290(1), 218-228. https://doi.org/10.1148/radiol.2018180237

7. Ramachandran SS, George J, Skaria S, et al. (2018). Using YOLO based deep learning network for real time detection and localization of lung nodules from low dose CT scans. Proceedings from Medical Imaging: Computer-Aided Diagnosis. 2018. https://doi.org/ 10.1117/12.2293699

8. Li X, Thrall JH, Digumarthy SR, et al. (2019). Deep learning-enabled system for rapid pneumothorax screening on chest CT. European Journal of Radiology, 120, 108692. https://doi.org/10.1016/j.ejrad.2019.108692

9. Ardila D, Kiraly AP, Bharadwaj S, et al. (2019). End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med., 25, 954‑961. https://doi.org/10.1038/s41591-019-0447-x

10. Park S, Lee SM, Kim N, et al. (2019). Application of deep learning – based computer-aided detection system: detecting pneumothorax on chest radiograph after biopsy. Eur Radiol, 29, 5341‑5348. https://doi.org/10.1007/s00330-019-06130-x

11. Nasrullah N, Sang J, Alam MS, et al. (2019). Automated Lung Nodule Detection and Classification Using Deep Learning Combined with Multiple Strategies. Sensors, 19(17), 3722. https://doi.org/10.3390/s19173722

12. Humphries SM, Notary AM, Centeno JP, et al. (2020). Deep Learning Enables Automatic Classification of Emphysema Pattern at CT. Radiology, 294(2), 434. https://doi.org/10.1148/radiol.2019191022

13. Masood A, Yang P, Sheng B, et al. (2020). Cloud-Based Automated Clinical Decision Support System for Detection and Diagnosis of Lung Cancer in Chest CT. IEEE Journal of Translational Engineering in Health and Medicine, 8, 1-13. https://doi.org/10.1109/JTEHM.2019.2955458

14. Wang X, Deng X, Fu Q, et al. (2020). A Weakly-Supervised Framework for COVID-19 Classification and Lesion Localization From Chest CT. IEEE Transactions on Medical Imaging, 39(8), 2615-2625. https://doi.org/10.1109/TMI.2020.2995965

15. Ko H, Chung H, Kang WS, et al. (2020). COVID-19 Pneumonia Diagnosis Using a Simple 2D Deep Learning Framework With a Single Chest CT Image: Model Development and Validation. J Med Internet Res, 22(6), e19569. https://doi.org/10.2196/19569

16. Yang X, He X, Zhao J, et al. (2020). COVID-CT-Dataset: A CT Scan Dataset about COVID-19. https://doi.org/10.48550/ARXIV.2003.13865

17. He X, Yang X, Zhang S, et al. (2020). Sample-Efficient Deep Learning for COVID-19 Diagnosis Based on CT Scans. https://doi.org/10.1101/2020.04.13.20063941

18. Gozes O, Frid-Adar M, Sagie N, et al. Coronavirus Detection and Analysis on Chest CT with Deep Learning. https://doi.org/10.48550/ARXIV.2004.02640

19. Ni Q, Sun ZY, Qi L, et al. (2020). A deep learning approach to characterize 2019 coronavirus disease (COVID-19) pneumonia in chest CT images. Eur Radiol, 30, 6517‑6527. https://doi.org/10.1007 %2Fs00330-020-07044-9

20. Bhandary A, Prabhu AG, Rajinikanth V, et al. (2020). Deep-learning framework to detect lung abnormality – A study with chest X-Ray and lung CT scan images. Pattern Recognition Letters, 129, 271-278. https://doi.org/10.1016/j.patrec.2019.11.013

21. Fu M, Yi S, Zeng Y, et al. (2020). Deep Learning-Based Recognizing COVID-19 and other Common Infectious Diseases of the Lung by Chest CT Scan Images. https://doi.org/10.1101/2020.03.28.20046045

22. Javor D, Kaplan H, Kaplan A, et al. (2020). Deep learning analysis provides accurate COVID-19 diagnosis on chest computed tomography. European Journal of Radiology, 2020, 133.

23. He X, Wang S, Shi S. (2020). Benchmarking Deep Learning Models and Automated Model Design for COVID-19 Detection with Chest CT Scans. https://doi.org/10.1101/2020.06.08.20125963

24. Matsuyama E. (2020). A Deep Learning Interpretable Model for Novel Coronavirus Disease (COVID-19) Screening with Chest CT Images. Journal of Biomedical Science and Engineering, 13, 140-152. https://doi.org/10.4236/jbise.2020.137014.

25. Li X, Zhou Y, Du P, et al. (2021). A deep learning system that generates quantitative CT reports for diagnosing pulmonary Tuberculosis. Appl Intell. 2021;51:4082‑4093. https://doi.org/10.1007/s10489-020-02051-1

26. Anwar T, Zakir S. (2021). Deep learning based diagnosis of COVID-19 using chest CT-scan images. https://doi.org/10.1109/INMIC50486.2020.9318212.

27. Fontanellaz M, Ebner L, Huber A. (2021). A Deep-Learning Diagnostic Support System for the Detection of COVID-19 Using Chest Radiographs. Investigative Radiology, 56(6), 348-356. https://doi.org/10.1097/RLI.0000000000000748

28. Yousefzadeh M, Esfahanian P, Movahed SMS, et al. (2021). ai-corona: Radiologist-assistant deep learning framework for COVID-19 diagnosis in chest CT scans. PLOS ONE, 16(5), e0250952. https://doi.org/10.1371/journal.pone.0250952

29. Alshazly H, Linse C, Barth E, et al. (2021). Explainable COVID-19 Detection Using Chest CT Scans and Deep Learning. Sensors, 21(2), 455. https://doi.org/10.3390/s21020455

30. Zhu Z, Xingming Z, Tao G, et al. (2021). Classification of COVID-19 by Compressed Chest CT Image through Deep Learning on a Large Patients Cohort. Interdiscip Sci Comput Life Sci, 13, 73‑82. https://doi.org/10.1007/s12539-020-00408-1

31. Pan F, Li L, Liu B, et al. (2021). A novel deep learning-based quantification of serial chest computed tomography in Coronavirus Disease 2019 (COVID-19). Sci Rep, 11, 417. https://doi.org/10.1038/s41598-020-80261-w

32. Biswas S, Chatterjee S, Majee A, et al. (2021). Prediction of COVID-19 from Chest CT Images Using an Ensemble of Deep Learning Models. Applied Sciences, 11(15), 7004. https://doi.org/10.3390/app11157004

33. He X, Wang S, Chu X, et al. (2021). Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans. https://doi.org/10.48550/ARXIV.2101.05442

34. Zouch W, Sagga D, Echtioui A, et al. (2022). Detection of COVID-19 from CT and Chest X-ray Images Using Deep Learning Models. Ann Biomed Eng, 50, 825‑835. https://doi.org/10.1007/s10439-022-02958-5

35. Ortiz A, Trivedi A, Desbiens J, et al. (2022). Effective deep learning approaches for predicting COVID-19 outcomes from chest computed tomography volumes. Sci Rep, 12, 1716. https://doi.org/10.1038/s41598-022-05532-0

36. Baghdadi NA, Malki A, Abdelaliem SF, et al. (2022). An automated diagnosis and classification of COVID-19 from chest CT images using a transfer learning-based convolutional neural network. Computers in Biology and Medicine, 144, 105383. https://doi.org/10.1016/j.compbiomed.2022.105383.

37. Sadik F, Dastider AG, Subah MR, et al. (2022). A dual-stage deep convolutional neural network for automatic diagnosis of COVID-19 and pneumonia from chest CT images. Computers in Biology and Medicine, 149, 105806. https://doi.org/10.1016/j.compbiomed.2022.105806.

38. Asif S, Wenhui Y, Jinhai S, et al. (2022). CVD19-Net: An Automated Deep Learning Model for COVID-19 Screening using Chest CT Images. 2022 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), Las Vegas, NV, USA, 2049-2058. https://doi.org/10.1109/BIBM55620.2022.9995590.

39. Gupta K, Bajaj V. (2023). Deep learning models-based CT-scan image classification for automated screening of COVID-19. Biomedical Signal Processing and Control, 80(1), 104268. https://doi.org/10.1016/j.bspc.2022.104268.

40. Attallah O. (2023). RADIC: A tool for diagnosing COVID-19 from chest CT and X-ray scans using deep learning and quad-radiomics. Chemometrics and Intelligent Laboratory Systems, 223, 104750. https://doi.org/10.1016/j.chemolab.2022.104750.

41. Huang G, Liu Z, van der Maaten L, et al. (2016). Densely Connected Convolutional Networks. https://doi.org/10.48550/arXiv.1608.06993

42. He L, Zhang X, Ren S. Sun J. (2015). Deep Residual Learning for Image Recognition. https://doi.org/10.48550/arXiv.1512.03385

43. Simonyan K, Zisserman A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition. https://doi.org/10.48550/arXiv.1409.1556

44. Guo Y, Li Y, Feris R, Wang L, et al. (2019). Depthwise Convolution is All You Need for Learning Multiple Visual Domains. https://doi.org/10.48550/arXiv.1902.00927

45. Tan M, Le QV. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. https://doi.org/10.48550/arXiv.1905.11946

46. Mahdjoub E, Mohammad W, Lefevre T, et al. (2020). Admission chest CT score predicts 5-day outcome in patients with COVID-19. Intensive Care Med, 46, 1648‑1650. https://doi.org/10.1007/s00134-020-06118-y

47. Bradley AP. (1997). The use of the area under the ROC curve in the evaluation of machine learning algorithms. Pattern Recognition, 30(7), 1145-1159. https://doi.org/10.1016/S0031-3203(96)00142-2.