COVID-Net: специализированная архитектура глубоких сверточных нейронных сетей для выявления случаев COVID-19 по рентгенограммам грудной клетки

Пандемия коронавирусной болезни 2019 (COVID-19) по-прежнему оказывает разрушительное воздействие на здоровье и благополучие населения мира. Критическим шагом в борьбе с COVID-19 является эффективный скрининг инфицированных пациентов, одним из ключевых подходов к которому является радиологическое обследование с использованием рентгенографии грудной клетки. В ранних исследованиях было установлено, что у пациентов на рентгенограммах грудной клетки наблюдаются характерные для COVID-19 аномалии. Мотивированные этими наблюдениями и вдохновлённые усилиями сообщества по созданию открытого программного обеспечения, в данном исследовании мы представляем COVID-Net — архитектуру глубокой сверточной нейронной сети, специально разработанную для выявления случаев COVID-19 по рентгенограммам грудной клетки (CXR), которая является открытой и доступной для широкой публики. Насколько известно авторам, COVID-Net является одной из первых открытых архитектур для обнаружения COVID-19 по CXR на момент первоначального релиза. Мы также представляем COVIDx — открытый эталонный набор данных, созданный нами и включающий 13 975 CXR-изображений от 13 870 пациентов, с наибольшим числом публично доступных случаев COVID-19, насколько известно авторам. Кроме того, мы исследуем, как COVID-Net делает предсказания, используя метод объяснимости, пытаясь не только получить более глубокое понимание критических факторов, связанных со случаями COVID-19, что может помочь клиницистам в улучшении скрининга, но и провести аудит COVID-Net ответственно и прозрачно, чтобы убедиться, что решения принимаются на основе релевантной информации с CXR-изображений. Это ни в коем случае не готовое к промышленному использованию решение; надежда заключается в том, что открытый COVID-Net и описание построения открытого набора данных COVIDx будут использованы и доработаны как исследователями, так и «гражданскими» дата-сайентистами для ускорения разработки высокоточных, но практичных решений на основе глубинного обучения для выявления случаев COVID-19 и ускорения лечения тех, кто в этом наиболее нуждается.