医疗图像 AI 中的领域适应、可解释性与公正性研究：基于 3D 胸部 CT 扫描的 COVID-19 诊断
内容提要
该文综述了多项基于深度学习的COVID-19影像诊断研究，涉及CT与X线数据集（如COV19-CT-DB、COVID-CT-MD），采用CNN-RNN、域适应、视觉Transformer等方法，用于检测、分型、量化及预测病情严重程度，并关注模型可解释性、鲁棒性与多中心数据泛化能力。
延伸解读
多中心数据与域适应方法
文章提到多个数据集如COV19-CT-DB和COVID-CT-MD，以及域适应方法COVID19-DANet和COVID-DA，旨在解决不同数据分布下的诊断问题。这表明研究关注模型在多中心数据上的泛化能力，域适应技术被用于提升跨数据集的检测效果。
可解释性与鲁棒性研究
文章涉及可解释的视觉Transformer和对抗训练提高鲁棒性，并生成与放射科医生发现一致的突出热力图。这反映了在COVID-19影像诊断中，除了准确性，模型的可解释性和鲁棒性也是重要研究方向，有助于临床信任和推广。
疾病严重程度评估与量化
文章提到基于深度学习的集成模型预测COVID-19严重程度，以及自动CT图像分析工具检测、量化和跟踪冠状病毒。这些研究不仅关注诊断，还涉及病情进展和负担的量化，可能对临床决策和患者管理有参考价值。
Q&A
COV19-CT-DB 数据库是什么？它包含哪些内容？
COV19-CT-DB 是一个包含约 5,000 个三维 CT 扫描的标注 COVID-19 数据库，分为训练集、验证集和测试集，用于基于 CNN-RNN 网络的深度学习方法。
COVID19-DANet 是什么？它有什么作用？
COVID19-DANet 是一种基于深度学习的领域自适应方法，能够在不同数据集下有效检测使用 CT 影像的 COVID-19 患者，并取得了令人鼓舞的结果。
COVID-DA 方法如何提高 COVID-19 诊断效率？
COVID-DA 通过特征敌对适应和分类器分离机制解决数据分布和任务区别两种主要困难，从而提高 COVID-19 的诊断效率，并证明其在现实世界中具有巨大潜力。
在 COVID-19 肺炎诊断中，视觉 Transformer 和传统 CNN 哪个表现更好？
基于关注模型的视觉 Transformer 表现更佳，F1 分数为 0.76，优于基于传统卷积神经网络的 DenseNet。
如何解决 AI 在 COVID-19 检测中的可解释性和鲁棒性问题？
通过对抗训练提高模型的鲁棒性，并生成与专业放射科医生发现相一致的突出热力图，从而增强可解释性。
COVID-CT-MD 数据集有什么特点？
COVID-CT-MD 是一个新的 COVID-19 CT 扫描数据集，不仅包括 COVID-19 病例，还包括 CAP 的健康和感染主体，并标有叶片级别、切片级别和病人级别标签，有助于开发先进的基于机器学习和深度神经网络的解决方案。
