摘要
在当前新型冠状病毒不同变异株持续构成威胁的背景下，由于目前最广泛使用的COVID-19检测方法——逆转录聚合酶链反应（RT-PCR）仍是一种繁琐且耗时的手动操作流程，且检测精度有限，因此人工智能（AI）与计算机辅助诊断（CAD）技术的应用已成为必然趋势。本文针对冠状病毒的检测，对胸部X光图像（CXR）进行了分析。本研究的核心目标是通过集成学习（ensemble learning）方法，提升深度学习模型的分类性能。尽管已有大量研究在该领域提出多种集成学习技术，部分方法采用加权算术平均（Weighted Arithmetic Mean, WAM）等聚合函数，但这些方法普遍未充分考虑分类器子集之间的决策关联性。为此，本文引入Choquet积分进行集成，并提出一种基于合作博弈论（Coalition Game Theory）、信息论（Information Theory）以及Lambda模糊逼近（Lambda fuzzy approximation）的新型模糊测度评估方法。本文采用三种不同的加权策略，结合信息论与合作博弈论，分别计算出三组模糊测度；进而基于这三组模糊测度分别构建三个Choquet积分，并最终融合其决策结果。为验证方法的有效性，我们整合了近年来多个公开的图像数据集，构建了一个新的胸部X光图像数据库。在新构建的数据集以及具有挑战性的COVIDx数据集上的实验结果均表明，所提出方法具有优异的性能与良好的鲁棒性。据我们所知，该方法在多项指标上优于近期提出的多种先进方法。相关源代码已开源，地址为：https://github.com/subhankar01/Covid-Chestxray-lambda-fuzzy。