摘要
严重急性呼吸综合征冠状病毒2型（SARS-CoV-2），即新型冠状病毒，已在全球范围内迅速传播，引发了一场前所未有的重大疫情，对全球公共卫生、社会秩序及经济稳定造成了深远影响。该病毒为RNA病毒，具有感染人类及多种动物的能力。尽早实现病毒的诊断，对于控制疫情蔓延、防止严重COVID-19暴发具有重要意义。目前常用的检测技术，如逆转录-聚合酶链反应（RT-PCR）和血清学检测，存在耗时长、成本高、依赖专业实验室设备等局限性，难以在资源有限地区广泛普及，限制了其在基层和快速筛查中的应用。近年来，深度学习技术迅速发展，在图像分类领域，尤其是医学影像分析中展现出巨大潜力。本研究聚焦于利用胸部计算机断层扫描（CT）图像，实现对新冠感染者与健康个体的自动化区分。卷积神经网络（CNN）具备从CT图像中自动学习并识别病变特征的能力，因此在本研究中，多种CNN模型被应用于分析胸部CT图像，以检测新冠肺炎相关的影像学差异，取得了91%至98%的分类准确率。研究采用多类分类方法构建模型架构。此外，本研究提出一种新型分类策略，通过组合两个二分类模型协同工作，实现对CT图像的高效判别，最终达到98.38%的准确率。所有模型的性能均通过多种分类评估指标（如精确率、召回率、F1分数及AUC值等）进行系统比较与分析，验证了所提方法的有效性与优越性。