劉禪奕，黃 丹，薛林雁，王 濤，朱 桃

（1.四川輕化工大學(xué)自動(dòng)化與信息工程學(xué)院，四川 宜賓 644002；2.四川輕化工大學(xué)人工智能四川省重點(diǎn)實(shí)驗(yàn)室，四川 宜賓 644002；3.河北大學(xué)質(zhì)量技術(shù)監(jiān)督學(xué)院，河北 保定 071002）

0 引 言

2019 年底新型冠狀病毒感染（COVID-19）開始出現(xiàn)，并在短時(shí)間內(nèi)蔓延全球。截至到2022 年初，新冠感染全球感染人數(shù)超過2 億人，死亡人數(shù)超過百萬，相比于其他國家而言，我國對(duì)于傳染病的防控手段達(dá)到國際領(lǐng)先水平，但是這類具有傳播速度快［1-2］、感染率高［3］、潛伏時(shí)間長(zhǎng)，并且有一定的致死率的病毒仍然給我國帶來了極大挑戰(zhàn)。

檢測(cè)新冠感染常用的方法是核酸試劑［4-5］。它的原理是利用RNA 逆轉(zhuǎn)錄和熒光定量PCR（聚合酶鏈?zhǔn)剑┓磻?yīng)相結(jié)合的技術(shù)（RT-PCR）檢測(cè)病毒。在中國國家衛(wèi)健委印發(fā)的《新型冠狀病毒肺炎診療方案（試行第七版）》文件中，影像學(xué)特征被列為新冠感染疑似病例臨床特征之一［6］，相比單一的核酸檢測(cè)，通過胸部X 射線或CT 圖像結(jié)合核酸檢測(cè)的結(jié)果對(duì)疑似新冠感染患者進(jìn)行診斷更加權(quán)威。而新冠感染傳染范圍廣、傳播速度快且新冠感染者在早期階段表現(xiàn)出的癥狀容易與感冒發(fā)熱、腹瀉等常見疾病相混淆，這導(dǎo)致疫情期間來醫(yī)院檢查的患者人數(shù)增多，及時(shí)確診新冠感染者并不容易，不僅考驗(yàn)醫(yī)院的保障能力，而且加大了醫(yī)生的診斷壓力，容易出現(xiàn)誤診、漏診的現(xiàn)象。

近年來針對(duì)醫(yī)學(xué)圖像的人工智能輔助診斷系統(tǒng)在臨床中的應(yīng)用越來越廣泛［7-8］，其中基于深度學(xué)習(xí)的肺部圖像中新冠感染的智能診斷方法備受關(guān)注［9］。如Li等［10］設(shè)計(jì)了以ResNet為主干的新冠感染分類模型，Xu 等［11］采用 3D CNN 方式對(duì)新冠感染圖像分類，吳辰文等［12］利用生成對(duì)抗網(wǎng)絡(luò)擴(kuò)充數(shù)據(jù)集，并將分割模型和分類模型進(jìn)行組合來對(duì)新冠感染圖像進(jìn)行分類。對(duì)于新冠感染，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)患者的病理圖片進(jìn)行初步分類的確能夠大大減少醫(yī)生的工作量，對(duì)于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)分類模型特征提取能力弱、效率低的問題，常通過加深卷積神經(jīng)網(wǎng)絡(luò)層數(shù)、加寬特征通道WRN［13］等方式來提取深層次的圖像特征以達(dá)到提升識(shí)別準(zhǔn)確率的目的，這無疑會(huì)使得網(wǎng)絡(luò)結(jié)構(gòu)變得復(fù)雜，模型參數(shù)量變大，消耗計(jì)算機(jī)資源，不利于部署在經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)的醫(yī)療機(jī)構(gòu)。而這些地區(qū)疫情防控意識(shí)不強(qiáng)，相關(guān)條件和資源不足，正是疫情防控的薄弱環(huán)節(jié)。

針對(duì)上述問題，本文基于輕量級(jí)Efficie-ntNet-B0網(wǎng)絡(luò)，融合改進(jìn)的注意力機(jī)制模塊，提出EfficientNet-ECBAM 網(wǎng)絡(luò)模型來對(duì)新冠感染、病毒性肺炎、正常肺部的X 光圖片進(jìn)行分類，在保證分類準(zhǔn)確率的基礎(chǔ)上，減少網(wǎng)絡(luò)模型參數(shù)，使模型能落地在經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)的醫(yī)療機(jī)構(gòu)，輔助那里的醫(yī)生對(duì)新冠感染進(jìn)行診斷，緩解他們的診斷壓力，提高診斷效率，降低誤診、漏診的情況，縮短他們與頭部醫(yī)院醫(yī)生診斷經(jīng)驗(yàn)和相關(guān)資源不足的差距。相比于傳統(tǒng)網(wǎng)絡(luò)分類模型存在具有參數(shù)量大、準(zhǔn)確率低、對(duì)計(jì)算機(jī)硬件有一定要求導(dǎo)致難以部署的問題，本文模型更具有實(shí)際應(yīng)用前景。

1 網(wǎng)絡(luò)架構(gòu)

1.1 EfficientNet網(wǎng)絡(luò)原理

隨著研究者對(duì)卷積神經(jīng)網(wǎng)絡(luò)的研究不斷加深，從最初的AlexNet［14］網(wǎng)絡(luò)到VGG16［15］、ResNet［16］殘差網(wǎng)絡(luò)，發(fā)現(xiàn)通過單純地堆疊網(wǎng)絡(luò)層數(shù)等方式來提高準(zhǔn)確率不再是評(píng)價(jià)模型好壞的唯一標(biāo)準(zhǔn)，能用較少的參數(shù)，較快的訓(xùn)練速度，得出滿意的結(jié)果也同樣重要。本文主干網(wǎng)絡(luò)選用2019 年由Tan 等人［17］提出的輕量型網(wǎng)絡(luò)結(jié)構(gòu)EfficientNet。相比于傳統(tǒng)的分類網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)結(jié)構(gòu)從初始的輸入圖像分辨率、網(wǎng)絡(luò)結(jié)構(gòu)深度、寬度這3 個(gè)方面進(jìn)行縮放、組合、優(yōu)化得出高效的搭配方案，在計(jì)算資源固定的情況下，最大限度地提高網(wǎng)絡(luò)性能。EfficientNet的運(yùn)算原理公式為：

其中，N代表網(wǎng)絡(luò)模型，d、w、r分別代表縮放網(wǎng)絡(luò)的深度、寬度、分辨率的系數(shù)。⊙i= 1…s代表連乘運(yùn)算，F(xiàn)代表網(wǎng)絡(luò)結(jié)構(gòu)，L代表層數(shù)，代表F在i階段重復(fù)了Li次，X是輸入特征矩陣，H、W、C分別代表X的高度、寬度、通道數(shù)。為了探究在給定計(jì)算資源條件下d、w、r對(duì)模型準(zhǔn)確率的影響，將問題抽象為：

式（2）中Max Accuracy 代表網(wǎng)絡(luò)最大精度值，式（3）中s.t 代表限制條件是預(yù)設(shè)置好的網(wǎng)絡(luò)結(jié)構(gòu)和輸入特征矩陣X的高度、寬度、通道數(shù)。式（4）中Memory 代表網(wǎng)絡(luò)參數(shù)量，target_memory 代表內(nèi)存限制，式（5）中FLOPS 代表浮點(diǎn)運(yùn)算量，target_flops代表浮點(diǎn)運(yùn)算次數(shù)限制。在這些限制條件和該網(wǎng)絡(luò)的基礎(chǔ)上，作者提出了基于混合因子?對(duì)網(wǎng)絡(luò)的深度、寬度、分辨率3 個(gè)維度進(jìn)行統(tǒng)一調(diào)整的混合縮放方法，計(jì)算公式為：

其中，?是根據(jù)計(jì)算機(jī)資源設(shè)置的控制系數(shù)，α、β、γ對(duì)應(yīng)的網(wǎng)絡(luò)深度、寬度、分辨率的資源分配系數(shù)，是通過神經(jīng)架構(gòu)搜索［6］（Neural Architecture Search，NAS）搜索到的。NAS 原理是在選中的網(wǎng)絡(luò)基礎(chǔ)上采用某種搜索策略自動(dòng)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行組合測(cè)試，性能評(píng)估后得出最佳的網(wǎng)絡(luò)架構(gòu)組合或者參數(shù)，原理如圖1所示。

圖1 NAS搜索原理圖

本文中的EfficientNet-B0 網(wǎng)絡(luò)就是借鑒NAS 多目標(biāo)神經(jīng)搜索架構(gòu)策略［18］，在B0 網(wǎng)絡(luò)的基礎(chǔ)上搜索α、β、γ的值來確定B0網(wǎng)絡(luò)的深度、寬度和分辨率。

1.2 EfficientNet結(jié)構(gòu)參數(shù)

本文選用EfficientNet-B0 網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

表1 EfficientNet網(wǎng)絡(luò)結(jié)構(gòu)

EfficientNet-B0 網(wǎng)絡(luò)結(jié)構(gòu)包括2 個(gè)普通卷積層，16 個(gè)翻轉(zhuǎn)瓶頸卷積層MBConv （Mobile Inverted Bottleneck Convolution），1 個(gè)平均池化層，1 個(gè)全連接層。其中MBConv 結(jié)構(gòu)包含2個(gè)1×1的卷積層，1個(gè)深度可分離卷積卷積層DW（Depth Wise），1 個(gè)SE 通道注意力模塊，1 個(gè)Dropout 層。MBConv 結(jié)構(gòu)如圖2 所示，1×1的卷積層用于升維和降維，DW 卷積能減少參數(shù)量，Dropout 層能防止網(wǎng)絡(luò)過擬合。SE［19］模塊是一種通道注意力機(jī)制模塊。

圖2 MBConv結(jié)構(gòu)

1.3 引入注意力模塊

近年來注意力機(jī)制［20］被越來越多的研究者引入深度學(xué)習(xí)來提高網(wǎng)絡(luò)模型在任務(wù)中的性能，其中CBAM［21］、ECA［22］被廣泛地使用在各種模型之中。CBAM 注意力模塊由通道注意力模塊CAM 和空間注意力模塊SAM 組成。相比于通道注意力模塊，CBAM模塊不僅在通道維度上有輕重之分，同時(shí)在空間維度上也有重點(diǎn)和非重點(diǎn)區(qū)域之分，從空間位置上關(guān)注特征圖的重要特征，抑制不重要的特征。CBAM 模塊結(jié)構(gòu)如圖3所示。

圖3 CBAM模塊結(jié)構(gòu)

ECA 模塊通過一維卷積實(shí)現(xiàn)一種不降維的局部跨信道交互策略來提升特征提取能力。一維卷積在每次卷積過程中只與部分通道相作用，相比于全連接的全通道交互，一維卷積既降低了參數(shù)，又提高了網(wǎng)絡(luò)效率。ECA模塊結(jié)構(gòu)如圖4所示。

圖4 ECA模塊結(jié)構(gòu)

2 算法改進(jìn)

算法改進(jìn)體現(xiàn)在2 個(gè)方面：CBAM 注意力模塊的改進(jìn)和EfficientNet網(wǎng)絡(luò)結(jié)構(gòu)中MBConv模塊的改進(jìn)。

2.1 CBAM注意力機(jī)制模塊改進(jìn)

在CBAM 中通道注意力模塊CAM 的Shared MLP削減部分參數(shù)的操作雖然會(huì)減少模型的復(fù)雜度，但是也損壞了通道和注意力權(quán)重之間直接的對(duì)應(yīng)關(guān)系［22］，丟失了一部分特征細(xì)節(jié)，效率也不高，CAM 模塊如圖5 所示。因而本文將CBAM 中CAM 模塊替換成可通過一維卷積實(shí)現(xiàn)不降維提升特征提取能力的ECA 模塊，取名為ECBAM。相比于原CBAM 中的特征通道注意力模塊，ECA 模塊避免了因Shared MLP 操作帶來的副作用，同時(shí)參數(shù)量進(jìn)一步降低，以更高效的方式捕獲了跨通道交互的信息。CAM 模塊如圖5所示，ECBAM模塊如圖6所示。

圖5 CAM模塊

圖6 ECBAM模塊

2.2 MBConv結(jié)構(gòu)改進(jìn)

EfficientNet 網(wǎng)絡(luò)的MBConv 模塊中采用了SE 注意力模塊來加強(qiáng)特征提取，雖然SE 模塊能給特征圖賦予不同的通道權(quán)重，但SE 模塊中擠壓激勵(lì)的操作會(huì)使特征圖丟失部分細(xì)節(jié)特征［22］，且SE模塊只關(guān)注了特征圖在通道維度上的信息，忽略了特征圖在空間維度上的信息，所以本文將MBConv中SE模塊替換為ECBAM 模塊。ECBAM 使特征圖不會(huì)因?yàn)榫S度縮減的操作而丟失信息，同時(shí)網(wǎng)絡(luò)也能在通道和空間2 個(gè)維度上對(duì)圖片特征進(jìn)行更充分的提取。改進(jìn)后的MBConv模塊結(jié)構(gòu)如圖7所示。

圖7 改進(jìn)后的MBConv結(jié)構(gòu)

3 實(shí)驗(yàn)流程與數(shù)據(jù)集預(yù)處理

3.1 實(shí)驗(yàn)平臺(tái)和實(shí)驗(yàn)設(shè)置

本文實(shí)驗(yàn)中，實(shí)驗(yàn)的硬件條件是CPU 采用i7-8700，GPU采用GTX 1070Ti 8 GB，運(yùn)行內(nèi)存為16 GB。實(shí)驗(yàn)的軟件條件是在Win10操作系統(tǒng)下，基于深度學(xué)習(xí)框架Pytorch1.7.1，配合Python3.8.6 編譯語言，在Pycharm開發(fā)平臺(tái)上調(diào)試，實(shí)驗(yàn)流程如圖8所示。

圖8 新冠肺炎檢測(cè)流程圖

為保證實(shí)驗(yàn)的客觀性，本文實(shí)驗(yàn)選用相同的超參數(shù)方法，均采用交叉熵?fù)p失函數(shù)（CrossEntropyLoss）作為損失函數(shù)，使用Adam 優(yōu)化器更新模型參數(shù)。每批次送入32張圖片，訓(xùn)練周期為90輪，初始學(xué)習(xí)率為0.001。為避免實(shí)驗(yàn)結(jié)果出現(xiàn)局部最優(yōu)而不是全局最優(yōu)的情況，學(xué)習(xí)率隨著epoch 的增大逐步遞減，每經(jīng)過30個(gè)epoch學(xué)習(xí)率縮減為原來的1/10。

3.2 實(shí)驗(yàn)數(shù)據(jù)集描述

本文實(shí)驗(yàn)數(shù)據(jù)集［23］選自kaggle網(wǎng)站中的COVI-D-19 Radiography Database 的數(shù)據(jù)集（https：//www.kaggle.com/tawsifurrahman/covid19-radiography-database）。該數(shù)據(jù)集是由多位研究員和醫(yī)生一起制作的胸部X 光射線（CXR）圖片，包括3616 張COVID-19 陽性病例，1345 張普通肺炎病例，10192 張正常的圖片，圖片尺寸均為299×299。因數(shù)據(jù)集圖片質(zhì)量參差不齊，本文實(shí)驗(yàn)從此數(shù)據(jù)集中挑選了成像效果較好的3869 張圖片按照8：2 的比例劃分訓(xùn)練集和測(cè)試集，其中訓(xùn)練集3105張，測(cè)試集764張。由于本文實(shí)驗(yàn)對(duì)其數(shù)據(jù)集圖片的挑選，訓(xùn)練集和測(cè)試集的劃分標(biāo)準(zhǔn)與選用此數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)的其他作者［24-25］不同，而在網(wǎng)絡(luò)模型訓(xùn)練與參數(shù)調(diào)優(yōu)過程中數(shù)據(jù)集對(duì)實(shí)驗(yàn)結(jié)果有著至關(guān)重要的影響，所以本文未與他們的模型進(jìn)行性能對(duì)比。詳細(xì)數(shù)據(jù)集分布如表2 所示，3 種類別的圖片樣張如圖9所示。

表2 數(shù)據(jù)集分布

圖9 3種類別樣圖展示

3.3 數(shù)據(jù)集預(yù)處理

為了防止在訓(xùn)練過程中出現(xiàn)泛化能力不強(qiáng)或是過擬合現(xiàn)象，通過數(shù)據(jù)增強(qiáng)的方式對(duì)數(shù)據(jù)集樣本容量進(jìn)行擴(kuò)充。采用0.5的概率垂直翻轉(zhuǎn)、旋轉(zhuǎn)10°的幾何變換方式對(duì)數(shù)據(jù)集進(jìn)行增強(qiáng)，如圖10 所示，最后使用ImageNet數(shù)據(jù)集的均值方差進(jìn)行歸一化，同時(shí)為了提升訓(xùn)練效率，將數(shù)據(jù)集原始尺寸縮放為224×224。

圖10 數(shù)據(jù)增強(qiáng)效果展示

3.4 評(píng)價(jià)指標(biāo)

本文模型采用圖像領(lǐng)域常用的4 個(gè)指標(biāo)：準(zhǔn)確率ACC（accuracy）、敏感性SEN（sensitivity）、特異性SPE（specificity）、精準(zhǔn)率PRE（precision）來評(píng)估模型性能。計(jì)算公式如下：

其中，真陽性TP（True Positive）代表正樣本被模型分類為正樣本的數(shù)量，真陰性TN（True Negative）代表負(fù)樣本被模型分類為負(fù)樣本的數(shù)量，假陽性FP（False Positive）代表負(fù)樣本被模型分類為正樣本的數(shù)量，假陰性FN（False Negative）代表正樣本被模型分類為負(fù)樣本的數(shù)量。ACC 代表分類正確的樣本數(shù)量占所有樣本數(shù)量的比例，SEN代表分類正確的正樣本數(shù)量占所有正樣本數(shù)量的比例，SPE 代表分類正確的負(fù)樣本數(shù)量占所有負(fù)樣本數(shù)量的比例，PRE代表分類正確的正樣本數(shù)量占所有被模型分類為正樣本數(shù)量的比例。本文實(shí)驗(yàn)中當(dāng)用模型判斷肺部X 光醫(yī)學(xué)圖片是否為新冠感染時(shí)，新冠感染的圖片為正樣本，正常和病毒性肺炎的圖片為負(fù)樣本。SEN 越高代表甄別真陽性（TP）的能力越高，SPE越高代表甄別真陰性（TN）的能力越高。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 對(duì)比實(shí)驗(yàn)

為了體現(xiàn)本文方法的有效性，本文將與經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)VGG16，ResNet-50，輕量級(jí)網(wǎng)絡(luò)SqueezeNet、MobileNet V1、EfficientNet-B0 網(wǎng)絡(luò)進(jìn)行對(duì)比試驗(yàn)，在相同數(shù)據(jù)集下不同網(wǎng)絡(luò)對(duì)比結(jié)果如表3（粗體為最佳結(jié)果）所示。

表3 相同數(shù)據(jù)集下不同網(wǎng)絡(luò)分類性能比較

首先從實(shí)驗(yàn)結(jié)果可以看出，改進(jìn)后的EfficientNet-ECBAM 網(wǎng)絡(luò)在準(zhǔn)確率、敏感性、特異性、精確率的結(jié)果分別為94.86%、96.00%、97.93%、96.13%，這4 項(xiàng)指標(biāo)均高于經(jīng)典卷積模型VGG16、ResNet-50 和輕量級(jí)網(wǎng)絡(luò)SqueezeNet、MobileNet V1、EfficientNet-B0。其次傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在參數(shù)量和運(yùn)算量2 個(gè)方面都遠(yuǎn)大于輕量級(jí)網(wǎng)絡(luò)，這也是它們對(duì)計(jì)算資源要求高的一大原因。從輕量級(jí)模型參數(shù)來看，SqueezeNet 參數(shù)量最小但運(yùn)算量遠(yuǎn)高于MobileNet V1、EfficientNet-B0、EfficientNet-ECBAM，這說明對(duì)網(wǎng)絡(luò)的選擇不能單從參數(shù)量這方面來考慮，EfficientNet-B0 的計(jì)算量最小，但是前4 項(xiàng)指標(biāo)低于EfficientNet-ECBAM。最后從前4 項(xiàng)指標(biāo)、參數(shù)量、運(yùn)算量的綜合表現(xiàn)可以看出改進(jìn)后的EfficientNet-ECBAM 網(wǎng)絡(luò)可以在有限的資源條件下，發(fā)揮出優(yōu)異的性能，適合部署在條件欠發(fā)達(dá)區(qū)域的醫(yī)療機(jī)構(gòu)。

混淆矩陣也是網(wǎng)絡(luò)模型性能度量的方法，它能夠直觀地反應(yīng)出模型分類能力的好壞，每一列代表預(yù)測(cè)模型的類別，每一行表示數(shù)據(jù)真實(shí)的類別。主對(duì)角線表示分類模型能正確分類的個(gè)數(shù)，顏色越深（值越大），說明分類模型的效果越好。各個(gè)模型的混淆矩陣如圖11 所示。從圖11 中可以看出，EfficientNet-ECBAM 的正確分類個(gè)數(shù)為735 張，高于傳統(tǒng)卷積網(wǎng)絡(luò)VGG16 的701 張，ResNet-50 的716 張，輕量級(jí)網(wǎng)絡(luò)SqueezeNet 的707 張，MobileNet V1 的713 張，EfficientNet-B0的722張，體現(xiàn)了EfficientNet-ECB-AM網(wǎng)絡(luò)良好的分類能力。

圖11 不同網(wǎng)絡(luò)的混淆矩陣

圖12 不同注意力模塊替換SE結(jié)構(gòu)示意圖

4.2 消融實(shí)驗(yàn)

本文在基于相同主干網(wǎng)絡(luò)和數(shù)據(jù)集上，采用不同的注意力模塊替換EfficientNet-B0 中MBConv 模塊的SE 結(jié)構(gòu)進(jìn)行消融實(shí)驗(yàn)來驗(yàn)證ECBAM 模塊的性能。替換示意圖如12 所示，實(shí)驗(yàn)結(jié)果如表4（粗體為最佳結(jié)果）所示，混淆矩陣如圖13所示。

表4 不同注意力模塊的分類性能對(duì)比 單位：%

圖13 不同注意力模塊的混淆矩陣

從表4 中可以看出經(jīng)過改進(jìn)的ECBAM 模塊在各項(xiàng)指標(biāo)上均優(yōu)于其他注意力模塊，從圖13 的混淆矩陣可以看出EfficientNet-ECBAM 的正確分類個(gè)數(shù)為735 張，高于EfficientNet-B0 的722 張、EfficientNet-CBAM 的723 張、EfficientNet-ECA 的727 張。結(jié)果表明改進(jìn)的ECBAM模塊相比于其他注意力模塊在分類性能上具有更好的表現(xiàn)，也再次驗(yàn)證了EfficientNet-ECBAM網(wǎng)絡(luò)的有效性。

5 結(jié)束語

本文結(jié)合當(dāng)前部分經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)醫(yī)療機(jī)構(gòu)的實(shí)際情況，選用輕量級(jí)EfficientNet-B0 網(wǎng)絡(luò)結(jié)構(gòu)，引入CBAM 和ECA 模塊進(jìn)行改進(jìn)，并且替換原始EfficientNet-B0 網(wǎng)絡(luò)中的SE 結(jié)構(gòu)，得到EfficientNet-ECBAM 網(wǎng)絡(luò)模型。此模型相比EfficientNet-B0 輕量級(jí)網(wǎng)絡(luò)加強(qiáng)了圖片特征的提取能力，提升了模型分類識(shí)別的性能，相比于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)又降低了網(wǎng)絡(luò)的參數(shù)量和計(jì)算機(jī)的硬件要求，給傳統(tǒng)網(wǎng)絡(luò)模型分類性能弱、難落地在經(jīng)濟(jì)欠發(fā)達(dá)的醫(yī)療機(jī)構(gòu)的問題提供了一種解決辦法。實(shí)驗(yàn)結(jié)果也表明改進(jìn)后的EfficientNet-ECBAM 網(wǎng)絡(luò)模型在準(zhǔn)確率、敏感性、特異性、精確率指標(biāo)上表現(xiàn)最優(yōu)，參數(shù)量和運(yùn)算量相對(duì)較小，體現(xiàn)了此網(wǎng)絡(luò)分類性能強(qiáng)，易于部署的優(yōu)勢(shì)。

在疫情防控走向常態(tài)化的今天，將人工智能運(yùn)用在醫(yī)療輔助診斷領(lǐng)域是一大趨勢(shì)，不僅是新冠感染，像癌癥等疾病都可以用醫(yī)療AI的方式協(xié)助醫(yī)生快速了解患者病情，緩解醫(yī)生的診斷壓力，提高診斷效率。同時(shí)醫(yī)療AI 在心理學(xué)、中醫(yī)學(xué)等學(xué)科也都取得了不錯(cuò)的效果［26］，未來人工智能在醫(yī)療領(lǐng)域的應(yīng)用會(huì)更加普遍和重要。