COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical Network to Monitor and Detect COVID-19 Infection from Point-of-Care Ultrasound Images
本文介绍了 COVID-Net USPro，这是一种开源、可解释的少样本深度原型网络，它通过利用极少的训练数据，在利用即时检测超声图像检测 COVID-19 方面实现了高准确率、高精确度和高召回率，从而解决了针对新发疾病标注数据集有限的挑战。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图教一个超级聪明的机器人如何识别肺部超声图像中某种特定的异常情况。通常，为了让机器人学得这么好，你需要给它展示成千上万个例子——就像一座装满书籍的图书馆。但转折点在于，当像 COVID-19 这样的新病毒出现时，人们还没有现成的图书馆，手里只有寥寥几页资料。
这就是 COVID-NET USPro 大显身手的地方。把它想象成一个不需要整部百科全书就能破案的侦探；它只需要掌握少量的线索。研究人员使用了一种“少样本”（few-shot）学习方法来构建这个侦探。这就像是给机器人看五张“COVID阳性”肺部的照片和五张“健康”肺部的照片，然后问它：“你能分辨出哪种是哪种吗？”
重大胜利
当他们用仅有的 5 个样本（即每个类别 5 个示例）来测试这个机器人时，它不仅仅是在瞎猜，而是精准命中。论文报告称，它的整体准确率达到了 99.65%。在专门识别患病肺部方面，它的捕捉能力（召回率）为 99.7%，且误报率控制（精确度）为 99.67%。更棒的是，当他们给它更多的练习——增加到 100 个样本时——它变得更加敏锐，在某些测试中几乎达到了完美的得分。
为什么选择超声？
团队选择了超声图像，因为它们便宜、便携且安全（没有辐射！）。它们就像医学影像中的“瑞士军刀”，非常适合在床边进行快速检查。然而，论文明确排除了使用“线性探头”（一种产生方形图像的特定类型超声探头）拍摄的图像。为什么呢？因为将这些图像与“凸阵探头”（产生较宽、较弯曲图像的探头）图像混合在一起，就像试图将油和水混合一样——只会让机器人感到困惑和产生噪点。因此，他们剔除了线性探头的数据，以保持训练过程的纯净。
“黑箱”问题
通常，深度学习机器人是“黑箱”。你给它们一张图片，它们吐出一个答案，但你完全不知道背后的原因。这对医生来说是很可怕的。如果机器人说“这位患者病了”，但它其实是在看一根肋骨而不是肺部，那就会做出错误的判断。
为了解决这个问题，作者让 COVID-NET USPro 具备了“可解释性”。他们使用了特殊的工具（如 Grad-CAM 和 GSInure），这些工具就像一支荧光笔。当机器人做出决定时，这些工具会在图像上显示热力图，以证明它究竟在看哪里。
- 好消息： 机器人学会了观察正确的部位，比如“B线”（看起来像小彗星一样的线条）以及预示肺部问题的暗区。
- 坏消息（以及解决方法）： 起初，机器人有时会因为错误的原因得出正确的结论。它会盯着一根肋骨说：“啊，这看起来像是有病的肺！”研究人员发现了这一点，过滤掉了图像的上半部分（肺部上方的软组织），并重新训练了机器人。现在，它严格专注于图像底部的疾病征兆。
人类检查
这不仅仅是计算机模拟；一位拥有多年超声经验的真实医生审查了机器人的工作。医生确认，当机器人表现出高置信度时，它实际上是在观察真实的疾病模式，而非随机的噪点。
下一步是什么？
论文指出，虽然这个机器人非常出色，但它还可以做得更好。作者提到，他们不得不剔除了一些数据（线性探头图像），并且使用了简单的裁剪法来隐藏图像顶部。在未来，他们认为更先进的“分割”（segmentation）工具以及一个更大、更干净的高质量图像库，可以使机器人变得更加敏锐。但就目前而言，这个开源工具是一个强大且透明的方式，即使在初始数据极少的情况下，也能帮助医生快速识别 COVID-19。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。