摘要
自新冠疫情暴发以来，全球范围内一直面临其快速传播带来的恐慌。因此，及时检测病毒的存在显得尤为重要。及时的诊断检测有助于迅速识别、治疗并隔离感染者。已有研究表明，多种深度学习分类器在准确率方面优于传统的RT-PCR检测方法，展现出令人鼓舞的性能。在医学影像技术中，胸部影像检查，尤其是基于X射线图像的胸部X光片（Chest X-ray, CXR），已成为筛查疑似新冠肺炎患者的主要成像手段。然而，现有方法的性能仍有待进一步提升。本文提出了一种名为COVID-WideNet的胶囊网络（Capsule Network），用于基于胸部X光图像对新冠肺炎病例进行诊断。实验结果表明，该多层、具有判别性训练能力的胶囊网络在COVIDx数据集上达到了当前最先进的性能水平。具体而言，COVID-WideNet在诊断新冠肺炎感染患者方面，优于所有基于卷积神经网络（CNN）的现有方法。此外，所提出的COVID-WideNet模型的可训练参数数量仅为其他基于CNN模型的1/20，显著降低了模型复杂度。这一特性使得该方法在实现高效、快速诊断的同时，仍能保持优异的性能表现：Area Under Curve（AUC）达到0.95，准确率、灵敏度和特异性均达到91%。该模型有望辅助放射科医生更有效地识别新冠肺炎及其变异株（如德尔塔毒株）的影像学特征。