VIT-DRN-OCAFF: An Optimized Cross-Attention Feature Fusion Framework for Multi- Class COVID-19 and Pulmonary Disease Diagnosis Using Thoracic CT Images

人类的肺部是一个复杂而脆弱的器官，当它生病时，症状可能非常细微且容易混淆。咳嗽、发热或呼吸困难可能预示着常见的病毒感染、细菌性肺炎，或是像新冠肺炎（COVID-19）这样更严重的疾病。对于医生而言，区分这些病因至关重要，然而由于症状往往高度重叠，实现快速且准确的诊断是一项巨大的挑战。为了在无需手术的情况下观察胸腔内部，医疗专业人员依赖于计算机断层扫描（即 CT 扫描），这种技术可以创建肺部的详细横截面图像。这些图像能够揭示肺组织的纹理，显示出感染、积液或炎症的区域。然而，阅读数以千计的此类扫描图像对放射科医生来说是一项沉重的负担，而且相似疾病之间的视觉差异可能极其微小，以至于即使是专家也可能错过关键细节或误判病因。

近年来，计算机已开始协助这项工作，利用人工智能来学习不同疾病在扫描图像上的表现。早期的尝试使用了标准的图像识别工具，但这些工具往往难以兼顾疾病在肺部扩散的大局观，同时也无法注意到感染最活跃的微小特定点。一项新研究提出了一种更先进的方法来教计算机阅读这些扫描图像，通过结合两种不同的观察方式来构建更清晰的疾病图像。研究人员旨在构建一个不仅能判断患者是否患病，还能精准定位其具体病种的系统，无论是新冠肺炎、病毒性肺炎、细菌性肺炎，还是其他非病毒性的肺部问题。

研究人员开发了一种全新的计算机框架，旨在充当一对协同工作的专家之眼。该系统的第一部分经过训练，可以同时观察整个肺部图像，理解感染在器官内扩散的宏观模式。这部分擅长观察“森林”，识别疾病的总体形状和分布。系统的第二部分则专注于极细微的细节，通过缩放来寻找受感染区域特定的纹理和边缘，就像是在森林中寻找“树木”。如果仅靠第一部分，它可能会错过微小但关键的感染点；而如果仅靠第二部分，它可能会迷失在细节中而无法理解整体语境。这项研究的创新之处在于如何将这两个部分连接起来。研究人员创建了一种特殊的机制，允许这两个系统相互交流并不断校准彼此所见。这一过程确保了计算机能够优先处理对诊断最重要的特征，同时忽略无关的噪声或无法帮助识别疾病的干扰模式。

为了测试这种新方法，团队收集了一个庞大的肺部扫描图像集，总计近 2 25,000 幅图像。这些图像来自公共医学数据库以及印度的医院，涵盖了广泛的患者群体和疾病严重程度。数据集包含了确诊为新冠肺炎、病毒性肺炎、细菌性肺炎以及其他非病毒性肺部异常患者的扫描图像。在计算机学习这些图像之前，研究人员对其进行了精心的清洗和准备。他们去除了扫描图像中不必要的身体部分，调整了亮度和对比度以使感染区域更加突出，并平滑了可能干扰系统的颗粒状噪声。这种预处理确保了计算机学习的是真实的疾病征兆，而非由扫描机器产生的伪影。

随后，计算机在大量图像上进行训练，学习识别每种疾病的独特特征。训练完成后，系统在另一组从未见过的图像集上进行了测试，以观察其在现实场景中的表现。结果非常出色。该系统识别肺部疾病类型的 AUC 达到了 0.99。它在避免误报方面表现尤为出色，能够准确识别出存在健康肺部或非疾病状况的情况，且极少漏掉真实的感染病例。当研究人员按疾病类型细分性能时，该系统在区分新冠肺炎与其他感染方面表现卓越，达到了近乎完美的准确度。它在区分病毒性肺炎和细菌性肺炎方面也表现强劲，而这两者即使对人类医生来说也是难以分辨的。

为了理解为什么这个新系统如此有效，研究人员将其与旧方法进行了对比。他们测试了标准的计算机视觉工具、传统的深度学习模型，以及其他仅使用上述两种方法之一的先进系统。旧方法虽然比随机猜测要好，但准确率始终处于 80% 中期到 90% 高期的水平。而这个结合了宏观视角与微观细节并拥有特殊通信链路的新系统，表现优于所有对比对象。研究还表明，该系统效率很高，处理图像的速度足以满足繁忙医院环境下的需求，且不需要过高的计算能力。

研究人员并未止步于数据，他们还观察了系统是如何“看待”图像的。他们将计算机标出的感染区域与人类医生标注的实际感染区域进行了对比。计算机的关注点与人类专家的发现高度吻合，能够精准识别感染的边界以及与每种疾病相关的特定纹理。这种高度的一致性表明，该系统并非仅仅基于模式进行猜测，而是真正学习了疾病的视觉特征。研究结论指出，这一新框架为通过 CT 扫描诊断肺部疾病提供了一个高度可靠的工具。通过将对肺部状况的宏观理解与对特定病灶的敏锐聚焦相结合，该系统提供了一种能够显著辅助医生做出更快、更自信决策的准确度。尽管该研究是在特定的数据集上进行的，但其结果预示着利用人工智能支持呼吸系统疾病诊断迈出了强有力的一步。