Diagnosi della Gravità del COVID-19 da Immagini Radiografiche Toraciche Utilizzando Architetture ViT e CNN

Diagnosing COVID-19 Severity from Chest X-Ray Images Using ViT and CNN Architectures

February 23, 2025

Autori: Luis Lara, Lucia Eve Berger, Rajesh Raju, Shawn Whitfield

cs.AI

Abstract

La pandemia di COVID-19 ha messo a dura prova le risorse sanitarie e ha stimolato il dibattito su come il machine learning possa alleviare il carico di lavoro dei medici e contribuire alla diagnosi. Le radiografie del torace (CXR) sono utilizzate per la diagnosi del COVID-19, ma pochi studi prevedono la gravità delle condizioni del paziente a partire dalle CXR. In questo studio, produciamo un ampio dataset sulla gravità del COVID unendo tre fonti e investigiamo l'efficacia del transfer learning utilizzando modelli pre-addestrati su ImageNet e CXR e transformer per la visione (ViT) sia in compiti di regressione che di classificazione della gravità. Un modello DenseNet161 pre-addestrato ha ottenuto i migliori risultati nel problema di previsione della gravità a tre classi, raggiungendo un'accuratezza complessiva dell'80% e rispettivamente il 77,3%, l'83,9% e il 70% sui casi lievi, moderati e gravi. Il ViT ha ottenuto i migliori risultati nella regressione, con un errore assoluto medio di 0,5676 rispetto ai punteggi di gravità previsti dai radiologi. Il codice sorgente del progetto è disponibile pubblicamente.

English

The COVID-19 pandemic strained healthcare resources and prompted discussion about how machine learning can alleviate physician burdens and contribute to diagnosis. Chest x-rays (CXRs) are used for diagnosis of COVID-19, but few studies predict the severity of a patient's condition from CXRs. In this study, we produce a large COVID severity dataset by merging three sources and investigate the efficacy of transfer learning using ImageNet- and CXR-pretrained models and vision transformers (ViTs) in both severity regression and classification tasks. A pretrained DenseNet161 model performed the best on the three class severity prediction problem, reaching 80% accuracy overall and 77.3%, 83.9%, and 70% on mild, moderate and severe cases, respectively. The ViT had the best regression results, with a mean absolute error of 0.5676 compared to radiologist-predicted severity scores. The project's source code is publicly available.