摘要
新冠疫情严重冲击了全球医疗体系，导致经济倒退，并夺去了无数人的生命。尽管全球范围内正在开展多种候选疫苗的测试与供应，但由于病毒不断出现新变异株，要实现全民接种仍需漫长周期，部分地区因此被迫维持类似封锁的防控状态。因此，亟需实现对新冠肺炎的早期、精准检测，以有效遏制疫情传播。目前的金标准检测方法——RT-PCR，灵敏度仅为71%，且操作繁琐，难以满足大规模人群筛查的需求。为此，本文提出一种自动化新冠肺炎检测系统，利用肺部CT扫描图像对病例进行分类，区分新冠感染与非新冠病例。所提方法采用集成学习策略，通过Gompertz函数生成各基础分类模型的模糊排序，并自适应融合各基础模型的决策得分，以实现对测试样本的最终预测。实验中选用三种基于迁移学习的卷积神经网络模型——VGG-11、Wide ResNet-50-2与Inception v3，作为基础分类器生成待融合的决策得分。该框架在两个公开可用的胸部CT扫描数据集上进行了评估，取得了当前最先进的性能表现，充分验证了模型的可靠性。本文相关源代码已开源，可通过GitHub获取。