Detecção de Pneumonia Causada por COVID-19 Utilizando Few-Shot Learning
Resumo
Dados radiológicos são importantes no diagnóstico e tratamento da COVID-19 e de doenças relacionadas ao trato respiratório inferior, tais como a pneumonia. Considerando esse contexto, nós apresentamos neste artigo um método que utiliza uma Rede Siamesa que, por meio de uma estratégia de Few-Shot Learning, busca detectar pneumonia relacionada com COVID-19 em imagens de raio-x. A capacidade de generalização desse modelo é avaliada utilizando dois conjuntos de dados de fontes diferentes, na forma de avaliação interna e externa. A partição dos dados é feita a partir de identificadores dos doentes. O modelo foi capaz de alcançar mais de 96% de acurácia, precisão, e sensibilidade na avaliação interna. Porém, na avaliação externa o resultado foi abaixo do esperado. Por outro lado, observou-se que o modelo de Rede Siamesa com Few-Shot Learning supera uma CNN tradicional.
Referências
Cascella, M., Rajnik, M., Aleem, A., Dulebohn, S., and Di Napoli, R. (2022). Features, evaluation, and treatment of coronavirus (covid-19). StatPearls.
Chen, Y., Wang, X., Liu, Z., Xu, H., and Darrell, T. (2020). A new meta-baseline for few-shot learning. CoRR, abs/2003.04390.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., and Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. CoRR, abs/1704.04861.
Jadon, S. (2021). COVID-19 detection from scarce chest x-ray image data using few-shot deep learning approach. In Park, B. J. and Deserno, T. M., editors, Medical Imaging 2021: Imaging Informatics for Healthcare, Research, and Applications. SPIE.
Li, M. D., Arun, N. T., Aggarwal, M., Gupta, S., Singh, P., Little, B. P., Mendoza, D. P., Corradi, G. C., Takahashi, M. S., Ferraciolli, S. F., Succi, M. D., Lang, M., Bizzo, B. C., Dayan, I., Kitamura, F. C., and Kalpathy-Cramer, J. (2020). Improvement and multi-population generalizability of a deep learning-based chest radiograph severity score for COVID-19.
Roberts, M., , Driggs, D., Thorpe, M., Gilbey, J., Yeung, M., Ursprung, S., Aviles-Rivero, A. I., Etmann, C., McCague, C., Beer, L., Weir-McCall, J. R., Teng, Z., Gkrania-Klotsas, E., Rudd, J. H. F., Sala, E., and Schönlieb, C.-B. (2021). Common pitfalls and recommendations for using machine learning to detect and prognosticate for COVID-19 using chest radiographs and CT scans. Nature Machine Intelligence, 3(3):199-217.
Shorfuzzaman, M. and Hossain, M. S. (2021). Metacovid: A siamese neural network framework with contrastive loss for n-shot diagnosis of covid-19 patients. Pattern Recognition, 113:107700.
Wang, Y. and Yao, Q. (2019). Few-shot learning: A survey. CoRR, abs/1904.05046.