摘要
自第二次世界大战以来，新冠肺炎（COVID-19）疫情已成为全球最严峻的公共卫生危机。疫情正如浪潮般在全球范围内迅速蔓延，根据世界卫生组织（WHO）最新报告，确诊病例数和死亡人数持续快速上升。此次疫情不仅引发了严重的社会、经济与政治危机，其带来的深远影响也将长期存在。为有效控制病毒传播，开发一种特异性高、准确性好、可靠性强且快速的检测技术，以及时识别感染者，成为关键应对措施之一。然而，目前许多国家仍面临实时荧光定量聚合酶链式反应（RT-PCR）检测试剂盒供应不足与成本高昂的瓶颈问题，严重制约了疫情的高效应对。近期研究发现，胸部影像学异常可作为新冠肺炎感染患者的特征性表现。为此，本文提出一种轻量级深度卷积神经网络（DCNN）模型——Corona-Nidaan，用于基于胸部X光片实现对新冠肺炎、肺炎及正常三类病例的自动识别，整个过程无需人工干预。为解决数据集不平衡问题，本文引入一种简单有效的少数类别过采样方法。同时，系统研究了基于预训练卷积神经网络（CNN）的迁移学习在胸部X光片驱动的新冠肺炎检测中的应用效果。实验结果表明，Corona-Nidaan模型在三分类任务中表现优于现有方法及其他基于预训练CNN的模型，整体分类准确率达95%，对新冠肺炎病例的精确率（precision）和召回率（recall）分别达到94%。在对比多种预训练模型的性能时发现，VGG19模型表现最佳，其在新冠肺炎检测任务中实现了93%的准确率，同时具备87%的召回率与93%的精确率。此外，该模型在筛查印度新冠肺炎患者胸部X光片数据集时也展现出良好的识别精度，验证了其在真实临床场景中的适用性与可靠性。