简读分享 | 陈兴民 编辑 | 乔剑博
论文题目
Structural Attention Graph Neural Network for Diagnosis and Prediction of COVID-19 Severity
论文摘要
随着新冠肺炎疫情在全球范围内快速传播，联合识别轻症重症病例并预测轻症转化时间，对优化工作流程、减少临床医生工作量至关重要。本研究提出了一种新型的新冠肺炎诊断框架——结构注意图神经网络(Structural Attention Graph Neural Network, SAGNN)，它可以结合胸部CT提取的特征、肺潜在结构分布和非影像学患者信息等多源信息，对新冠肺炎的严重程度进行诊断，并预测从轻到重的转换时间。具体而言，本文首先构建一个包含肺结构信息的图，并采用图注意网络迭代更新肺段的表示。为了区分不同的左右肺感染程度，作者进一步介绍了一种结构注意机制。最后，引入人口信息，并开发了一个多任务学习框架，以联合执行分类和回归任务。实验在真实数据集上进行，共1687例胸部CT扫描，其中轻症1328例，重症359例。实验结果表明，与其他比较方法相比，该方法获得了最佳的分类性能(例如曲线下面积为86.86%)和回归性能(例如相关系数为0.58)。
论文链接
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9969651
