结构图注意力网络的新冠肺炎轻重症诊断

目的 为辅助医生快速分辨新型冠状病毒肺炎(corona virus disease 2019,COVID-19)轻、重症患者,以便对症下药减轻医疗负担,提出一种基于结构图注意力网络的轻重症诊断算法.方法 基于胸部CT图像提取的特定特征以及肺段间的位置关系构建结构图,以肺部内不同肺段为节点,以提取特征为节点属性.采用图神经网络汇聚相邻节点特征,再利用池化层获取分别代表左肺叶和右肺叶特征的图表示.使用结构注意力机制计算左、右肺叶的感染情况对结果诊断的重要性,并依据重要性融合左、右肺叶图表示以得到最终图表示,最后执行分类任务.由于数据中存在明显的类别不平衡现象,采用Focal-Loss损失函数优化模型以减轻对分类结果的影响.结果 实验将所提算法分别与传统机器学习方法和流行的图神经网络算法做性能对比.在重症诊断的准确率上,本文算法相较于传统机器学习方法和图神经网络算法分别取得14.2％42.0％和3.6％4.8％的提升.在AUC(area under curve)指标上,本文算法相较于上述两种算法分别取得8.9％18.7％和3.1％3.6％的提升.除此之外,通过消融实验发现具有结构注意力机制的算法相较于未使用的算法在SPE(specificity)、SEN(sensitivity)和AUC 3个指标上分别取得了2.4％、1.4％和1.1％的提升;应用Focal-Loss损失函数的算法相较于未使用的算法提升了2.1％、1.1％和0.9％.结论 所提出的诊断模型综合了图神经网络以及结构注意力机制的优点,引入Focal-Loss损失函数,提升了困难样本的分类准确率,使诊断结果更加准确.