• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度學習的新型冠狀病毒肺炎診斷研究綜述

    2021-05-17 05:30:28唐江平周曉飛褚曉文李世鋒常慶蕊張繼勇
    計算機工程 2021年5期
    關(guān)鍵詞:診斷模型準確率分類

    唐江平,周曉飛,賀 鑫,褚曉文,李世鋒,常慶蕊,張繼勇

    (1.杭州電子科技大學 自動化學院,杭州 310018;2.香港浸會大學 計算機科學系,香港 999077;3.中電數(shù)據(jù)服務(wù)有限公司,北京 100191;4.華北電力大學 控制與計算機工程學院,河北 保定 071000)

    0 概述

    新型冠狀病毒肺炎(Corona Virus Disease 2019,COVID-19)是由嚴重急性呼吸綜合征冠狀病毒(SARS-CoV-2)引起的疾?。?-2]。2019 年,COVID-19疫情迅速蔓延至全球范圍,對人類生命安全構(gòu)成嚴重威脅。據(jù)約翰斯·霍普金斯大學發(fā)布的全球新冠肺炎疫情實時現(xiàn)狀報告[3],截至2021 年1 月25 日,全球新冠肺炎確診病例累計超過9 925.7 萬例,死亡人數(shù)達213.1 萬,并且確診/死亡人數(shù)呈現(xiàn)持續(xù)快速增長的趨勢[4-5]。

    SARS-CoV-2 病毒具有高度傳染性[6-7],其傳播途徑主要為直接傳播、氣溶膠傳播和接觸傳播。直接傳播是指患者通過咳嗽、打噴嚏和說話產(chǎn)生的飛沫在人群中近距離被吸入導致感染[8];氣溶膠傳播是指飛沫混合在空氣中形成氣溶膠,被他人吸入后導致感染;接觸傳播是指飛沫沉積在物體表面,而且由于SARS-CoV-2 病毒在環(huán)境中極度穩(wěn)定且隱蔽,可以在不同的物體表面附著數(shù)天[9],最終通過接觸導致感染。相關(guān)研究結(jié)果表明,COVID-19 的嚴重性不僅在于死亡率,更多取決于其在社區(qū)中傳播速度快和感染率高的特點[10]。賓夕法尼亞州立大學研究人員指出,美國3 月份的新冠病毒病例數(shù)量可能是最初報告的80 倍,增長速度為最初報告的2 倍。近日發(fā)表的一項研究通過對比SARS-CoV-2、SARS-CoV 和中東呼吸綜合征冠狀病毒(MERS-CoV),指出SARS-CoV-2 的致死率最低,僅高于流感,但是其傳染性高于另外兩類冠狀病毒[11]。在致病性方面,結(jié)合臨床觀察可以發(fā)現(xiàn),COVID-19 感染患者典型的臨床特征以發(fā)熱、乏力、干咳為主要表現(xiàn),同時,少數(shù)患者伴有鼻塞、流涕、腹瀉等癥狀[12]。更嚴重的是,重癥患者的病情會快速發(fā)展為急性呼吸窘迫綜合征(ARDS)和多器官功能衰竭,甚至導致死亡。此外,還會出現(xiàn)白細胞或淋巴細胞計數(shù)減少等癥狀[13-15]。值得注意的是,基于目前的流行病學調(diào)查可知,SARS-CoV-2 病毒的潛伏期通常為3 天~14 天,且有臨床病例顯示其潛伏期最長可達24 天[16]。在病毒潛伏期間,患者無感染癥狀,潛伏期過后,患者可能出現(xiàn)類似于普通感冒的癥狀,甚至仍然表現(xiàn)為無癥狀感染者。綜上所述,COVID-19 具有高傳染性、強致病性和長潛伏期等特點,對其進行精準、快速診斷存在極大的難度。

    目前,核酸檢測是確診COVID-19 最常見的方法[17-18]。該方法利用RNA 逆轉(zhuǎn)錄和聚合酶鏈式反應(yīng)相結(jié)合的技術(shù)(RT-PCR)檢測病毒RNA 片段,且只有通過核酸測試為陽性才能確診。然而,RT-PCR 篩選存在敏感性低的問題,即使可疑患者的RT-PCR 結(jié)果為陰性,也無法完全排除患者被SARS-CoV-2 感染的可能性[19-20]。此外,核酸測試存在耗時較長、需要專用測試盒等缺點,因此,需要進一步加快檢測速度并降低成本。與此同時,據(jù)中國國家衛(wèi)健委印發(fā)的《新型冠狀病毒肺炎診療方案(試行第七版)》,影像學特征被列為新冠肺炎疑似病例三條臨床特征之一,胸部影像臨床診斷結(jié)果也可作為新冠肺炎病例診斷的標準[21]。文獻[22]通過對計算機斷層掃描(Computer Tomography,CT)和RT-PCR 兩種檢測診斷方法進行對比實驗分析指出,相較于RT-PCR 方法,基于胸部CT 圖像的診斷更加快速高效。通常來說,COVID-19患者肺部具有典型的影像學特征,包括毛玻璃結(jié)節(jié)(Ground-Glass Opacities,GGO)、肺硬化、肺纖維化和多發(fā)性病變等[23-25]。

    此外,相關(guān)研究也表明,影像學信息能夠在COVID-19 診斷中起到至關(guān)重要的作用[26-27]。但是,基于CT 圖像的人工分析和診斷過程對專業(yè)知識依賴性很高,對CT 圖像特征的分析比較耗時,早期難以觀察到隱匿病變,且難以區(qū)分其他病毒性肺炎和細菌性肺炎。人工智能(Artificial Intelligence,AI)技術(shù)可將視覺影像信息轉(zhuǎn)化為深層次特征信息,且這些信息是可量化的,有助于減少人工操作和提高精準定量分析的效率[28],其中,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)在肺部疾病的診斷中已經(jīng)能夠達到非常優(yōu)秀的性能[29-30]。因此,為避免當下過度依賴核酸檢測進行COVID-19診斷的局限性,研究人員設(shè)計了多種基于深度學習的COVID-19 檢測診斷模型。這些模型不僅能夠?qū)崿F(xiàn)檢測診斷方式的多元化,而且可使診斷過程更加快速高效,最關(guān)鍵的是,其準確率可以媲美核酸檢測理想情況下高達95%以上的準確率[31]。最近,越來越多的研究人員開始關(guān)注COVID-19 患者醫(yī)學影像數(shù)據(jù)(X 射線(X-ray)圖像或CT 圖像)的獲取,并嘗試在此基礎(chǔ)上構(gòu)建基于深度學習的COVID-19 檢測診斷模型。

    本文闡述基于深度學習的COVID-19 檢測診斷研究現(xiàn)狀,對相關(guān)實驗數(shù)據(jù)集和評價指標進行討論和總結(jié),介紹21 種基于深度學習的COVID-19 檢測診斷模型,根據(jù)模型任務(wù)和影像數(shù)據(jù)類型劃分為單任務(wù)/多任務(wù)檢測診斷模型和基于CT/X-ray 圖像的檢測診斷模型,并對具有代表性的模型從骨干網(wǎng)絡(luò)、數(shù)據(jù)集、數(shù)據(jù)類型、性能表現(xiàn)、分類種類和開源情況6 個不同維度進行分析。在此基礎(chǔ)上,調(diào)研抗疫場景下表現(xiàn)出色的人工智能應(yīng)用實例,并針對基于深度學習的COVID-19 檢測診斷技術(shù),探討其未來的發(fā)展趨勢。

    1 數(shù)據(jù)集

    數(shù)據(jù)集是設(shè)計和訓練一個深度學習模型的必要條件。因此,構(gòu)建基于深度學習的COVID-19 診斷模型必須收集醫(yī)學影像數(shù)據(jù)集。

    COVID-19 影像數(shù)據(jù)類型主要是X-ray 圖像和CT 圖像,其對應(yīng)的樣本種類包含COVID-19、病毒性肺炎(Viral Pneumonia,VP)、細菌性肺炎(Bacteria Pneumonia,BP)、其他肺炎和正常(normal)等。對常見的8 個公開數(shù)據(jù)集進行整理,具體見表1。

    表1 COVID-19 相關(guān)的開源數(shù)據(jù)集Table 1 Related open source datasets for COVID-19

    1.1 X-ray 數(shù)據(jù)集

    常見的X-ray 數(shù)據(jù)集主要包括COVID-chestxray[32]和pneumonia-chestxray[33],下文進行具體介紹。

    1.1.1 COVID-chestxray 數(shù)據(jù)集

    COVID-chestxray 是一個公開的COVID-19 病例數(shù)據(jù)集,包含COVID-19、其他病毒性肺炎和細菌性肺炎(MERS、SARS、ARDS)患者的胸部X-ray 和CT圖像,圖像主要來自在線開源數(shù)據(jù)、網(wǎng)站和文獻[39]中所提到參考文獻。此外,數(shù)據(jù)集作者允許用戶通過github 網(wǎng)站向該數(shù)據(jù)集提交其他COVID-19 數(shù)據(jù)。該數(shù)據(jù)集主要包含434 張COVID-19 的X-ray 正面視圖,只有少量的CT 圖像。

    1.1.2 pneumonia-chestxray 數(shù)據(jù)集

    pneumonia-chestxray 數(shù)據(jù)集由訓練集、測試集和驗證集組成,包含健康受試者、非COVID-19 病毒性肺炎患者和細菌性患者的5 863 張X-ray 圖像。其中,前后胸部X-ray 圖像選自廣州市婦幼保健中心的1 歲~5 歲兒童患者的回顧性研究。數(shù)據(jù)集作者對所有數(shù)據(jù)進行了篩查,通過去除所有低質(zhì)量或不可讀的掃描圖來進行質(zhì)量控制。然后,由兩名專業(yè)醫(yī)師對圖像進行診斷并給出對應(yīng)的標簽。此外,為盡可能減少人為標記帶來的誤差,由第三位專家對前兩位醫(yī)師的標記結(jié)果進行檢查。值得注意的是,pneumonia-chestxray 是非COVID-19 數(shù)據(jù)集,但是大量研究者構(gòu)建的COVID-19 數(shù)據(jù)集部分采用該數(shù)據(jù)集中的健康受試者、病毒性肺炎患者和細菌性肺炎患者的X-ray 數(shù)據(jù)進行增強。

    1.2 CT 數(shù)據(jù)集

    常見的CT 數(shù)據(jù)集主要包括COVID-CT[34]、COVID-CT-Seg[35]、CC-CCII[31]、MosMedData[36]、SARS-CoV-2 CT-scan[37]和COVID-CT-set[38],下文進行具體介紹。

    1.2.1 COVID-CT 數(shù)據(jù)集

    COVID-CT 數(shù)據(jù)集包含216 名COVID-19 患者的349 張CT 切片和非COVID-19 患者的463 張CT切片。該數(shù)據(jù)集主要收集來自網(wǎng)站和出版物的醫(yī)學影像,即從760 份COVID-19 相關(guān)預印本文獻中收集,這些文獻主要來自medRxiv 和bioRxiv。此外,對于每個CT 圖像,數(shù)據(jù)集作者還收集了從論文中提取的meta 信息,如患者年齡、性別、位置、病史、掃描時間、COVID-19 的嚴重程度和放射學報告。該數(shù)據(jù)集有兩個主要缺點:首先,許多CT 圖像中含有CT 掃描機或醫(yī)生產(chǎn)生的標記,這可能對深度學習技術(shù)產(chǎn)生負面影響;其次,每個病人只有少數(shù)幾張CT 圖像而不是一個完整的3D 掃描體,無法使用3D CNN 來挖掘肺部深層次信息。

    1.2.2 COVID-CT-Seg 數(shù)據(jù)集

    COVID-CT-Seg 數(shù)據(jù)集是一個公開可用的CT 數(shù)據(jù)集。數(shù)據(jù)集作者對來自意大利醫(yī)學和介入放射學學會網(wǎng)站上的JPG 數(shù)據(jù)進行處理,其中包含40 多個COVID-19 患者的100 張軸向CT 圖像。這些經(jīng)由放射學專家分割的圖像包含毛玻璃、硬化和胸腔積液三類標簽。該數(shù)據(jù)集于2020 年4 月20 日進行更新,增加了20 個標記良好的掃描樣本數(shù)據(jù),包括左肺、右肺和病變感染區(qū)域的標記。新增數(shù)據(jù)的注釋工作由三位經(jīng)驗豐富的放射科醫(yī)生全程參與,其中兩位放射科醫(yī)生進行標記,一位進行驗證。

    1.2.3 CC-CCII 數(shù)據(jù)集

    CC-CCII 數(shù)據(jù)集是一個可公開使用的CT 數(shù)據(jù)集,是目前針對COVID-19建立的最大CT數(shù)據(jù)集之一,包含4 154名患者的6 752次掃描結(jié)果,共計617 775張CT切片,包括新型冠狀病毒性肺炎(Novel Corona Pneumonia,NCP)、普通肺炎(Common Pneumonia,CP)和正常對照組(normal)三大類。其中,肺炎包括細菌性肺炎和病毒性肺炎。然而,該數(shù)據(jù)集(2020 年4 月23 日發(fā)布的1.0 版)包含了一些錯誤,如某些掃描中存在CT 圖像次序混亂、部分掃描結(jié)果包含無用的頭部信息但不包括關(guān)鍵肺部信息等。數(shù)據(jù)集作者于2020 年7 月3 號發(fā)布v2.2 版本,解決了壓縮文件損壞問題,同時增加了對應(yīng)的病變分割數(shù)據(jù)集。

    1.2.4 MosMedData 數(shù)據(jù)集

    MosMedData 數(shù)據(jù)集包含1 000 多位匿名患者的胸部CT 掃描數(shù)據(jù)。數(shù)據(jù)集作者從2020 年3 月1 日至4 月25 日在莫斯科通過統(tǒng)一放射信息服務(wù)(URIS)收集。此外,數(shù)據(jù)集中的所有CT 數(shù)據(jù)均帶有特殊標記,其根據(jù)分類進行標記以反映胸部CT 肺組織中COVID-19 的病理異常表現(xiàn)。數(shù)據(jù)集根據(jù)標記將CT數(shù)據(jù)分為五大類,即從CT-0(正常和無病毒性肺炎的CT)到CT-4(彌漫性玻璃膜混濁,肺實質(zhì)受累超過75%)。同時,為了更好地開發(fā)AI 算法,CT 薄切片被轉(zhuǎn)換為NIFTI 格式。在相應(yīng)的標記中,病例的整體標記用于患者的自動分類,定位標記用于為放射科醫(yī)生指出在CT 掃描中可疑的位置,病理輪廓標記用于肺部病變的自動定量評估和患者兩次CT 之間的動態(tài)評估。此外,專家明確標記了其中50 個CT 掃描集,每個CT 切片上都標出了COVID-19 特有的毛玻璃混濁和硬化的像素區(qū)域,并顯示出肺組織異常。

    1.2.5 SARS-CoV-2 CT-scan 數(shù)據(jù)集

    SARS-CoV-2 CT-scan 是一個公共可用的SARSCoV-2 CT scan 數(shù)據(jù)集,包含1 252 例SARS-CoV-2 感染陽性(COVID-19)的CT 掃描數(shù)據(jù)和1 230 例未感染SARS-CoV-2 的患者的CT 掃描數(shù)據(jù)。這些數(shù)據(jù)是從巴西圣保羅的醫(yī)院的真實患者處收集的。該數(shù)據(jù)集發(fā)布的目的是鼓勵研究和開發(fā)人工智能算法,旨在通過該數(shù)據(jù)集中的CT 掃描數(shù)據(jù)進行訓練測試分析,確定病人是否被SARS-CoV-2 感染。

    1.2.6 COVID-CT-set 數(shù)據(jù)集

    COVID-CT-set 數(shù)據(jù)集包含95 例COVID-19 患者的15 589 張CT 掃描圖像和282 例正常受試者的48 260 張CT 掃描圖像,收集于伊朗的一家醫(yī)療中心。為了保護患者的隱私,數(shù)據(jù)集作者將數(shù)據(jù)格式從DICOM 轉(zhuǎn)換為TIFF。該數(shù)據(jù)集采用16 位灰度數(shù)據(jù),能夠避免8 位數(shù)據(jù)引起的信息丟失問題。此外,將圖像的每個像素值除以其最大像素值,從而得到32 位浮點類型的像素值,使得圖像能夠在常規(guī)的監(jiān)視器中顯示。

    在X-ray 數(shù)據(jù)集方面,pneumonia-chestxray 包含大量非COVID-19 肺炎數(shù)據(jù),該數(shù)據(jù)集被廣泛用于基于深度學習的其他肺炎檢測診斷模型,是一個成熟且豐富的公共數(shù)據(jù)集,COVID-chestxray 則由于包含COVID-19 樣本而被大多數(shù)研究人員所熟知。上述兩個數(shù)據(jù)集通常以組合的形式,共同參與基于深度學習的COVID-19 診斷模型的數(shù)據(jù)集構(gòu)建。而CT數(shù)據(jù)集相對X-ray 數(shù)據(jù)集擁有更多的COVID-19 樣本數(shù)據(jù),甚至包含大量專家給出的標記(如MosMedData 數(shù)據(jù)集),能夠更好地訓練基于深度學習的COVID-19 檢測診斷模型。但是,上述CT 公開數(shù)據(jù)集提出時間較短,還未得到科研人員的廣泛使用,更多的科研工作者使用私有數(shù)據(jù)集進行模型的訓練。綜上,數(shù)據(jù)集在數(shù)量和質(zhì)量方面還有待進一步提高,使得科研人員構(gòu)建的COVID-19 檢測診斷模型能夠在一個公平完善的基礎(chǔ)上進行比較。

    2 評價指標

    基于深度學習的新冠肺炎診斷屬于典型的醫(yī)學圖像處理問題,可以劃分為分類任務(wù)和分割任務(wù)。對于分類任務(wù),深度學習神經(jīng)網(wǎng)絡(luò)需要正確識別醫(yī)學影像數(shù)據(jù)中的COVID-19 和non-COVID-19,其中non-COVID-19 可以進一步細分為病毒型肺炎、細菌型肺炎和正常等,根據(jù)分類的種類數(shù)量,新冠肺炎診斷可以是二分類問題,也可以是多分類問題。對分割任務(wù),深度學習神經(jīng)網(wǎng)絡(luò)需要在對整個肺部進行分割預處理的基礎(chǔ)上,進一步對肺部的病灶區(qū)域進行分割,從而獲得醫(yī)生最關(guān)注的區(qū)域,最終根據(jù)感染區(qū)域的特征和大小完成醫(yī)學影像數(shù)據(jù)中新冠肺炎的診斷。下文分別對分類和分割任務(wù)中不同的評價指標進行介紹。

    2.1 分類任務(wù)的評價指標

    分類任務(wù)涉及7 種常用的評價指標,即表示敏感性的 召回率(Recall)、精準率(Precision)、特異性(Specificity)、準確率(Accuracy)、F1-score、ROC(Receiver Operating Characteristic)曲線和AUC(Area Under Curve)指標[40-41]。

    召回率、精準率和特異性指標分別如下所示:

    其中,NTP表示實例為陽性并且被預測為陽性所對應(yīng)的數(shù)量,NFN表示實例為陽性但被預測為陰性所對應(yīng)的數(shù)量,NFP表示實例為陰性但被預測為陽性所對應(yīng)的數(shù)量,NTN表示實例為陰性并且被預測為陰性所對應(yīng)的數(shù)量。

    由于召回率和精準率被作為單一指標進行評估,因此無法全面地評估診斷結(jié)果。同時,針對不同場景的分類應(yīng)用,對召回率和精準率的要求也有所不同。因此,出現(xiàn)了F1-score。該指標綜合考慮了以上兩個指標,可以表示為兩者的調(diào)和平均,如式(4)所示:

    在更一般的情況下,該指標對應(yīng)的形式如式(5)所示,其中,β為加權(quán)系數(shù),用于調(diào)節(jié)召回率和精準率之間的權(quán)重關(guān)系。

    F0.5-score 和F2-score 在統(tǒng)計學中均有廣泛應(yīng)用。新冠肺炎具有嚴重的危害性,在COVID-19 診斷中必須保證足夠高的敏感性,因此,推薦使用F2-score。

    準確率表達式如下:

    其中,N表示樣本實例的總數(shù)量。

    ROC 曲線的橫軸是偽陽性率(False Postive Rate,F(xiàn)PR),滿足FPR=1-SSpecificity,縱軸是真陽性率(True Postive Rate,TPR),滿足TPR=RRecall。具體地,給定一個閾值,對所有實例進行分類預測,從而計算得出對應(yīng)的一組(FPR,TPR)。最理想的情況為TPR=1,F(xiàn)PR=0。因此,ROC 曲線越靠近坐標(0,1),說明算法性能越優(yōu)秀。此外,ROC 曲線具備一個很好的特性,即當測試集中的正負樣本分布發(fā)生變化時,ROC曲線能夠保持不變。通常實際數(shù)據(jù)集中存在類不平衡現(xiàn)象,即正、負樣本數(shù)量差異較大。因此,ROC 曲線得到了廣泛的應(yīng)用。AUC 表示ROC 曲線下的面積,用以評估分類器的優(yōu)劣,對應(yīng)的數(shù)值越大,代表算法性能越好。

    2.2 分割任務(wù)的評價指標

    分割任務(wù)涉及5 種常用的評估指標,包括DICE 系數(shù)、體積重疊誤差(Volumetric Overlap Error,VOE)、相對體積差(Relative Volume Difference,RVD)、對稱位置的平均表面距離(Average Symmetric Surface Distance,ASD)和對稱位置的最大表面距離(Maximum Symmetric Surface Distance,MSD)。

    首先定義標識符Vgt和Vseg,以Vgt表示ground truth對應(yīng)的分割結(jié)果,以Vseg表示預測的分割結(jié)果。

    DICE 系數(shù)作為分割任務(wù)中最常用的評價指標被廣泛使用,其表達式如下:

    與DICE 系數(shù)類似,VOE 將交集運算替換為差集運算表示錯誤率,其表達式如下:

    RVD 表示Vgt和Vseg兩者體積間差異,其表達式如下:

    為計算ASD,先定義Aseg表示預測的分割結(jié)果Vseg中的邊 界像素,Agt表示ground truth 中的邊界像素。由此計算Bseg:

    其中,d表示邊界像素之間的最短距離。同理可計算得到Bgt。根據(jù)計算得到的Bseg和Bgt,對應(yīng)ASD 的表達式如下:

    MSD 則與ASD 的定義類似,將其中的平均運算替換為最大值運算,其表達式如下:

    3 基于深度學習的COVID-19 檢測診斷模型

    分別從模型任務(wù)(單任務(wù)即分類任務(wù)或分割任務(wù),多任務(wù)即分類任務(wù)和分割任務(wù))和影像數(shù)據(jù)類型(CT、X-ray)兩個不同角度,對基于深度學習的COVID-19 檢測診斷模型進行分類與闡述。分類任務(wù)先對整個肺部區(qū)域進行提取,再使用卷積神經(jīng)網(wǎng)絡(luò)學習新冠肺炎的特征,從而實現(xiàn)對新冠肺炎的診斷;分割任務(wù)則在預處理(提取整個肺部區(qū)域)的基礎(chǔ)上,進一步對肺部病灶區(qū)域進行了分割,能夠更有效地對特征進行提取,從而改善新冠肺炎診斷的效果。但是,分割任務(wù)的實現(xiàn)依賴于額外的醫(yī)學影像病灶標記,從現(xiàn)有數(shù)據(jù)集來看,相對于不帶病灶標記的數(shù)據(jù),帶病灶標記的數(shù)據(jù)顯得更加匱乏。基于深度學習的分類任務(wù)和分割任務(wù)處理流程分別如圖1 和圖2 所示,對兩者進行組合即可得到多任務(wù)的處理流程。

    圖1 基于深度學習的分類任務(wù)處理流程Fig.1 Processing flow of classification task based on deep learning

    圖2 基于深度學習的分割任務(wù)處理流程Fig.2 Processing flow of segmentation task based on deep learning

    3.1 基于模型任務(wù)的分類

    3.1.1 基于分割或分類任務(wù)的COVID-19 診斷模型

    文獻[42]設(shè)計了一種深度學習模型,從典型的病毒性肺炎中篩選COVID-19。首先,放射科醫(yī)生將感染區(qū)域標注為感興趣區(qū)域(Region of Interest,ROI)。然后,作者構(gòu)建基于Inception 網(wǎng)絡(luò)[43]的遷移學習神經(jīng)網(wǎng)絡(luò)用以提取特征向量,結(jié)合決策樹和AdaBoost[44]對COVID-19 和典型病毒性肺炎進行分類。該工作收集的數(shù)據(jù)集包括99 例患者(44 例COVID-19 和55 例典型病毒性肺炎)的胸部CT 圖像。該模型在內(nèi)部測試數(shù)據(jù)集上的準確率為82.9%,特異性為84%,敏感性為81%。

    文獻[45]使用ResNet50[46]提取特征,并添加特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network,F(xiàn)PN)[47]和注意力模塊[48]構(gòu)建診斷模型。首先,提取主要肺部區(qū)域,并用肺本身填充肺分割的空白,以避免因不同肺輪廓引起的噪聲。然后,設(shè)計細節(jié)關(guān)系提取神經(jīng)網(wǎng)絡(luò)(DRE-Net)來提取CT 圖像中的細節(jié)區(qū)域,并進行圖像級別的預測。最后,將圖像級別的預測集合相結(jié)合以實現(xiàn)患者級別的診斷。該系統(tǒng)對88 例COVID-19 患者、101 例細菌性肺炎患者和86 例健康受試者的CT 掃描數(shù)據(jù)進行了深度學習模型的訓練和驗證。在測試集中,模型的AUC 為0.95,敏感性為96%,其對肺炎分類(COVID-19 或細菌性肺炎)的準確率為86.0%,對肺炎診斷(COVID-19 或健康)的準確率為94.0%。

    文獻[49]使用了一個大型胸部CT 數(shù)據(jù)集,包含3 322 名患者的4 356 張胸部CT 圖像(1 296 張COVID-19、1 735 張社區(qū)獲得性肺炎(Community-Acquired Pneumonia,CAP)和1 325 張非肺炎)。具體地,該方法將ResNet50 模型應(yīng)用于具有共享權(quán)重的二維(2D)切片上,結(jié)合最大值池化(max-pooling)以區(qū)分COVID-19、CAP 和非肺炎。實驗結(jié)果表明,該模型可以準確檢測COVID-19,并能有效區(qū)分社區(qū)獲得性肺炎和其他肺部疾病。該模型的敏感性為90%,特異性為96%,AUC 為0.96。

    文獻[50]使用UNet++[51-52]提取COVID-19 患者CT 圖像中的肺部病變區(qū)域,圖像級別的標記(COVID-19 或非COVID-19)直接根據(jù)分割的病變區(qū)域確定,而病例級別的標記則增加了一個連續(xù)圖像預測結(jié)果的邏輯:將分割圖像的預測結(jié)果分為四等份,只有當三張連續(xù)圖像的病變分割出現(xiàn)在同一象限時,才判定病例為陽性。獲得的數(shù)據(jù)集包括106 例患者(51 例為COVID-19,55 例為其他疾?。┑亩SCT 圖像,且被隨機分為訓練集和驗證集。該模型對COVID-19 病例級別的檢測診斷準確率達到95.2%,敏感性達到100%,特異性達到93.6%。目前該模型已被部署到武漢大學人民醫(yī)院以幫助放射科醫(yī)生進行新病例的分析,并在互聯(lián)網(wǎng)上開源,以實現(xiàn)對CT 圖像的快速審查。此外,此項研究使用了包括27 名潛在患者數(shù)據(jù)的前瞻性數(shù)據(jù)集做進一步驗證,表明模型取得了與專業(yè)放射科醫(yī)生相當?shù)男阅?,可使放射科醫(yī)生的閱讀時間減少65%。

    文獻[53]提出一種基于DenseNet201 的深度遷徙學習方法檢測COVID-19,以判斷患者是否被感染。該模型利用其在ImageNet 數(shù)據(jù)集上學習的權(quán)值和卷積神經(jīng)結(jié)構(gòu)來提取CT 圖像中的特征。該文作者通過實驗比較VGG16、Inception ResNet、ResNet152 v2和DenseNet201 等模型的性能表現(xiàn)。實驗結(jié)果表明,DenseNet201 模型的F1-score 和準確率均為最佳。

    3.1.2 基于分割和分類任務(wù)的COVID-19 診斷模型

    文獻[54]使用ResNet18[55]自動檢測CT 圖像中的感染區(qū)域,并使用ResNet23 來識別感染區(qū)域是否為COVID-19 癥狀。首先,利用ResNet18 的分割模型從肺部CT 圖像中分割出候選感染區(qū)域。然后,利用ResNet23 分類模型將候選區(qū)域分類到COVID-19、甲型流感病毒性肺炎或健康組,同時通過附帶位置-注意力模型得到對應(yīng)的置信分數(shù)。最后,利用噪聲函數(shù)或貝葉斯函數(shù)計算感染類型和總置信度。CT樣本數(shù)據(jù)集包括219 例COVID-19 患者、224 例甲型流感病毒性肺炎和175 例健康CT 樣本,該文作者隨機抽取85.4%的CT 樣本作為訓練集,其余14.6%的CT 樣本用于測試。在測試集上,該模型的敏感性達到了86.7%,相對不使用位置-注意力模型提高了3.4%。

    文獻[56]構(gòu)造了一種用于篩選COVID-19 患者的模型,該模型接收胸部CT 圖像,輸出肺部異常定位和定量測量結(jié)果。模型主要由AB 兩個子系統(tǒng)構(gòu)成。子系統(tǒng)A 使用現(xiàn)成的商業(yè)軟件對帶有結(jié)節(jié)和病灶混濁的病例進行三維(3D)分析,子系統(tǒng)B 對病例的切片進行二維分析,并使用U-Net 分割網(wǎng)絡(luò)提取感興趣區(qū)域,且由2D ResNet50 模型[57]檢測出COVID-19 相關(guān)異常結(jié)果,最終實現(xiàn)較大彌漫性混濁的定位和病例的診斷。模型根據(jù)陽性率(陽性檢出切片與肺切片的百分比)確定病例分類。研究結(jié)果表明,該模型在以陽性率1.9%作為閾值的情況下,AUC 為0.996,敏感性為96.4%,特異性為98%。

    文獻[58]收集了來自5 家醫(yī)院的1 136 例患者(723 例COVID-19 陽性、413 例COVID-19 陰性)的胸部CT 圖像。該文提出的診斷模型包含基于UNet++的分割模型和基于ResNet50 的分類模型。分割模型用于突出肺部區(qū)域所有病變,以便快速檢查,同時作為分類模型的輸入。該模型的敏感性和特異性分別為97.4%和92.2%,滿足臨床應(yīng)用需求。

    文獻[59]提出一種多任務(wù)學習(Multi-Task Learning,MTL)模型檢測COVID-19,并對胸部CT圖像中的病變區(qū)域進行分割。MTL[60]將來自不同任務(wù)的若干信息進行組合,以提高模型的性能,使其具有更強的泛化能力。該模型由一個編碼器和兩個解碼器組成,用于圖像的重建和分割,同時包含一個用于分類的多層感知器(Multi-Layer Perceptron,MLP)。該文利用1 044例患者的數(shù)據(jù)集(包括449例COVID-19患者、100 例正?;颊?、98 例肺癌患者和397 例不同病理類型的患者)對所提出的模型進行評估,并對比其他圖像分割和分類技術(shù)。該模型準確率為0.86,敏感性為0.94,特異性為0.79。

    文獻[61]采用多任務(wù)學習模型,提出一種卷積神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)COVID-19 檢測和患者嚴重程度的細化。該文訓練ResNet50 作為分類網(wǎng)絡(luò),該網(wǎng)絡(luò)以軸向切片作為輸入,獨立提取切片的特征向量,預測肺實質(zhì)受累的概率,實現(xiàn)對COVID-19 的有效檢測,而患者嚴重程度量化任務(wù)的實現(xiàn)由兩部分組成:左/右肺的分割和病變的分割。肺部的整體分割由一個標準的完全卷積神經(jīng)網(wǎng)絡(luò)完成,使用K-means算法對肺部內(nèi)體素進行聚類,以歐幾里得距離作為體素間的度量,完成左/右肺的分割。病變區(qū)域的分割則使用基于U-Net 結(jié)構(gòu)的網(wǎng)絡(luò)完成。最后對兩個體積的比率進行分級,依次對應(yīng)不同的嚴重程度。該模型在COVID-19 識別任務(wù)上AUC 為0.951,在嚴重程度定量任務(wù)上,斯皮爾曼相關(guān)性系數(shù)達到0.98。

    3.2 基于影像數(shù)據(jù)類型的分類

    鑒于普通肺炎特別是病毒性肺炎與COVID-19 有相似的影像學表現(xiàn),其鑒別診斷將更有助于臨床篩選過程。因此,基于深度學習的COVID-19 診斷任務(wù)可以概括為健康受試者、其他類型肺炎(細菌性肺炎、病毒性肺炎、社區(qū)獲得性肺炎等)患者和COVID-19 患者的分類任務(wù)。不同類型患者在不同影像數(shù)據(jù)中的典型表現(xiàn)如圖3 和圖4 所示。

    圖3 胸部X-ray 樣本圖像Fig.3 Sample chest X-ray images

    圖4 胸部CT 樣本圖像Fig.4 Sample chest CT images

    3.2.1 基于X-ray 的COVID-19 診斷模型

    文獻[62]提出一種貝葉斯CNN 評估COVID-19預測中的診斷不確定性。實驗結(jié)果表明,在不同的MCDW(Monte-Carlo Drop Weight)下,貝葉斯推理能提高ResNet50V2 模型[52]的檢測準確率,并且模型的不確定性與預測準確率之間具有強相關(guān)性。此外,該文進一步生成顯著性圖來說明深度網(wǎng)絡(luò)所關(guān)注的位置,從而加深對深度學習結(jié)果的理解,做出更明智的決策。

    文獻[63]提出基于3 種不同的深度學習模型,即基于ResNet50、Inception v3 和Inception-ResNet v2[64]的COVID-19 診斷模型,用于從X-ray 圖像中檢測出COVID-19。通過ROC 分析和5-fold 交叉驗證可以看出:在準確率方面,相對Inception v3 的97.0%和Inception-ResNet v2 的87%,ResNet50 模型獲得了98.0%的最高分類性能。

    文獻[65]提出一個基于EfficientNet[66]的檢測診斷模型,使用EfficientNet-B0 網(wǎng)絡(luò)在ImageNet 上進行預訓練用以提取特征,并且附帶異常檢測模塊和置信分數(shù)預測模塊。該模型包含兩方面的任務(wù):對COVID-19 和非COVID-19 患者進行分類,并進行異常檢測。其中,異常檢測任務(wù)給出異常分數(shù),以優(yōu)化用于分類的COVID-19 分數(shù)。該模型的敏感性為71.7%,特異性為73.8%,AUC 為0.836。

    文獻[67]提出一種基于ResNet 的CNN 網(wǎng)絡(luò)模型(COVID-Net)。該模型對正常、細菌性感染、非COVID-19 病毒性感染和COVID-19 病毒性感染進行預測,并且滿足準確率高于80%和計算復雜度小于2.5 億次乘加運算等設(shè)計要求。COVID-Net 首先在ImageNet 數(shù)據(jù)集[68]上預訓練,然后使用Adam 優(yōu)化器在COVIDx 數(shù)據(jù)集上訓練。COVIDx 數(shù)據(jù)集包含45 例COVID-19 患者、1 203 例正常受試者、931 例病毒性肺炎患者和660 病毒性肺炎患者的X-ray 數(shù)據(jù)。該模型的準確率為83.5%,敏感性為100%,精準率為80%。

    文獻[69]提出利用遷移學習自動檢測COVID-19。首先對近年來用于醫(yī)學圖像分類中最先進(SOTA)的CNN 模型進行性能評估,其中包括VGG19[70]、MobleNet v2[71]、Xception[72]、Inception 和Inception-ResNet v2。然后通過遷移學習[73]在小型醫(yī)學圖像數(shù)據(jù)集中檢測異常,從而實現(xiàn)對COVID-19 的診斷。通過對比不同的CNN結(jié)果發(fā)現(xiàn),VGG19和MobileNet v2表現(xiàn)最佳。此外,通過計算分析最佳模型對應(yīng)混淆矩陣可以看出,VGG19 具有更高的準確率,其準確率為97.83%,而MobileNet v2 在敏感性方面(99.1%)優(yōu)于VGG19,因此其被證明是特定分類任務(wù)和特定數(shù)據(jù)樣本的有效模型。

    以上研究涉及的數(shù)據(jù)集大多來自兩個數(shù)據(jù)集:COVID-chestxray-dataset[31],包括70 張COVID-19 患者肺部X-ray 圖像;KAG 數(shù)據(jù)集[33],包括健康受試者、病毒性肺炎患者和細菌性患者的5 863 張X-ray圖像。由于COVID-19 圖像數(shù)量有限,不足以評估以上方法的魯棒性,導致其臨床中心應(yīng)用的可推廣性也難以被認可。此外,X-ray 作為最常用的醫(yī)學成像方式之一,被廣泛用于為放射科醫(yī)生提供證據(jù),但通常被認為不如胸部CT 圖像敏感。值得注意的是,最近一項研究報告表明[74],COVID-19 患者在早期或者輕度癥狀階段,X-ray 顯示正常。因此,研究人員嘗試利用CT 數(shù)據(jù)進行COVID-19 的診斷。

    3.2.2 基于CT 的COVID-19 診斷模型

    文獻[75]提出了一種弱監(jiān)督檢測診斷模型,利用三維CT 圖像檢測COVID-19。首先,對于每個患者使用預訓練模型U-Net 分割肺部區(qū)域。然后,將分割的3D 肺部區(qū)域作為三維CNN 的輸入,以預測感染COVID-19 的概率。三維CNN 包括以下3 個部分:第一部分為主干網(wǎng)絡(luò),由1 個三維卷積核、1 個BN(Batch Normalization)層和1 個池化層組成;第二部分由2 個殘差塊構(gòu)成;第三部分為漸進式分類器,包含3 個卷積層和1 個全連接層。在該工作中,收集的542名受試者(313例COVID-19、229例非COVID-19)的胸部CT 圖像被用作訓練和測試數(shù)據(jù)。該模型的敏感性為90.7%,特異性為91.1%,AUC 為0.959。

    文獻[76]提出一個用于COVID-19 分類和預后分析的全自動深度學習模型。該模型使用DenseNet121[77]作為骨干網(wǎng)絡(luò),首先將DenseNet121 與FPN 相結(jié)合完成肺部區(qū)域的自動分割,然后利用類DenseNet 結(jié)構(gòu)(COVID-19Net)建立分類網(wǎng)絡(luò),對分割得到的區(qū)域進行分類。該文共收集了7 個省市的5 372 例CT 圖像,包括COVID-19 數(shù)據(jù)集和表皮生長因子受體(Epidermal Growth Factor Receptor,EGFR)數(shù)據(jù)集。其中,4 106 例具有EGFR 基因突變狀態(tài)的患者樣本用來對模型進行預訓練[78],使其學習肺部特征,924 例COVID-19 患者和342 例其他肺炎患者樣本則用來進行模型訓練和驗證。在4 個外部驗證集中,該模型從其他肺炎(AUC=0.87 和0.88)和病毒性肺炎(AUC=0.86)中識別COVID-19 取得了良好的效果。

    文獻[79]采用胸部CT 掃描數(shù)據(jù)集,包含2 685 例樣本(1 658 例COVID-19、1 027 例普通肺炎)。該模型首先對所有圖像進行預處理,采用VBNet[80]分割感染區(qū)域、左/右肺、5 個肺葉和18 個肺段。然后提取感染大小、位置特征和放射特征等手工特征,并使用最小絕對收縮和選擇算子[81]進行特征選擇。在此基礎(chǔ)上,提出一種感染區(qū)域大小感知的隨機森林方法,將受試者自動分為不同感染病灶大小的分組,并在每組中進行隨機森林分類。實驗結(jié)果表明,該方法對于感染大小在0.01%~10%中等范圍內(nèi)的病例取得了較大的性能裕度,而對小范圍感染的患者被識別的敏感性較低。在5-fold 交叉驗證下,該模型敏感性為90.7%,特異性為83.3%,準確率為87.9%。

    文獻[82]通過神經(jīng)結(jié)構(gòu)搜索(NAS)設(shè)計一個輕量級的三維模型,結(jié)合CT 圖像檢測進行COVID-19診斷。該模型首先建立搜索空間,定義神經(jīng)結(jié)構(gòu)的設(shè)計原則。然后選擇搜索策略,相關(guān)研究表明,隨機搜索比其他許多方法更具競爭力[83-85]。最后選擇準確率方面排名靠前的模型進行對比。作者將通過NAS 搜索得到的最佳模型命名為MNas3DNet。實驗結(jié)果表明,相對基線3D 模型,MNas3DNet 模型尺寸更小。此外,其中MNas3DNet41 能實現(xiàn)SOTA 級別的性能表現(xiàn),相應(yīng)的準確率為87.14%,F(xiàn)1 評分為87.25%,AUC 為0.957。

    文獻[86]提出一種基于混合密度網(wǎng)絡(luò)模型的深度雙向長短時記憶網(wǎng)絡(luò)(DBM),并結(jié)合自適應(yīng)差分進化(MADE)算法[87]構(gòu)建MADE-DBM 模型。該模型可以有效避免手工調(diào)整超參數(shù)的繁瑣過程,適用于COVID-19 實時分類系統(tǒng)。該文采用SARS-CoV-2 CT-scan 數(shù)據(jù)集,將訓練集和測試集按3∶2 的比例進行劃分,并對提出的模型與其他SOTA 模型分別進行二分類和三分類的性能比較。實驗結(jié)果表明,該模型在AUC、敏感性、特異性和準確率等指標上相較于其他模型均獲得了最佳表現(xiàn)。對于二分類,其AUC 達到0.983,敏感性達到0.989,準確率達到98.4%。

    文獻[39]介紹公開數(shù)據(jù)集COVID-CT-set,并且提出一種快速、準確的全自動系統(tǒng)用于從CT 圖像中檢測出COVID-19 患者的圖像。該系統(tǒng)主要流程如下:在第一階段運行優(yōu)化的圖像處理算法,以丟棄肺部內(nèi)部無法正常顯示的CT 圖像。在下一階段提出一種基于ResNet50V2 改進的深度卷積網(wǎng)絡(luò),并通過特征金字塔網(wǎng)絡(luò)進行增強,對所選CT 圖像進行分類。最后利用特征可視化算法對分類后的圖像進行處理,以顯示圖像中的感染區(qū)域。實驗結(jié)果表明,該系統(tǒng)能夠以專業(yè)醫(yī)生5 倍的識別速度,達到98.49%的準確率。

    4 模型性能對比及分析

    上文對數(shù)據(jù)集、評價指標和基于深度學習技術(shù)的COVID-19 檢測診斷模型進行了詳細介紹。下文將從骨干網(wǎng)絡(luò)、數(shù)據(jù)集、數(shù)據(jù)類型、性能表現(xiàn)、分類種類和開源情況6 個維度,分析比較現(xiàn)有基于深度學習的COVID-19 檢測診斷模型,具體見表2。

    表2 不同COIVID-19 診斷模型比較Table 2 Comparison of different COVID-19 diagnostic models

    續(xù)表

    從表2 可以得出以下結(jié)論:

    1)對骨干網(wǎng)絡(luò)進行分析可知:COVID-19 檢測診斷模型的網(wǎng)絡(luò)結(jié)構(gòu)包含分割網(wǎng)絡(luò)(U-Net、UNet++和VBNet 等)和分類網(wǎng)絡(luò)(ResNet 系列、DenseNet 系列、Inception 系列等),由于COVID-19 患者在不同階段表現(xiàn)出不同的影像學特征,因此可以使用分割網(wǎng)絡(luò)對ROI 區(qū)域進行分割提??;同時可以借助分類網(wǎng)絡(luò)學習COVID-19 患者特有的影像學特征,從而有效區(qū)分COVID-19、其他肺炎和正常受試者;此外,研究者借助輔助手段(如FPN、注意力機制、決策樹、Lasso 等)可有效提高模型的性能。

    2)對數(shù)據(jù)集進行分析可知:多數(shù)研究工作的COVID-19 數(shù)據(jù)集樣本數(shù)量范圍從幾十到幾百不等,大部分研究者采用遷移學習,并基于小樣本COVID-19數(shù)據(jù)集進行檢測診斷(如文獻[67,75,79]);此外,目前只有極少量公開可用的大型COVID-19 影像數(shù)據(jù)集(如CC-CCII 數(shù)據(jù)集、MosMedData 數(shù)據(jù)集、SARS-CoV-2 CT-scan 數(shù)據(jù)集、COVID-CT-set 數(shù)據(jù)集),大部分研究人員采用私有數(shù)據(jù)集(如文獻[45,49,54,58]),由此也導致部分模型的泛化能力較弱,對特定數(shù)據(jù)集有一定的偏移性,因此,無法在相對公平的條件下通過比較不同數(shù)據(jù)集下的實驗結(jié)果來評價模型性能優(yōu)劣。

    3)對影像類型進行分析可知:科研工作者傾向基于CT 圖像的COVID-19 診斷(如文獻[42,45,50]),一方面,因為X-ray 相對CT 圖像敏感性更低;另一方面,CT 圖像數(shù)據(jù)除了二維類型外,還包含更多深層次三維特征信息,CNN 在圖像處理方面的出色表現(xiàn),本質(zhì)上源于其強大的特征提取能力,因此,CNN能夠從三維CT 圖像數(shù)據(jù)中獲取更多的特征信息,從而提高診斷的效果。

    4)對模型性能進行分析可知:文獻[63]提出的ResNet50 模型取得了最高的SPE=1.000;文獻[67,51]提出的ResNet 模型和UNet++取得了最高的SEN=1.000;文獻[56]提出的UNet 和ResNet50 多任務(wù)模型取得了最高的AUC=0.996;文獻[39]提出的ResNet50 v2 模型取得了最高的ACC=0.985。需要注意的是,該對比缺少一定的指導價值,存在諸多不一致因素,比如不同的驗證方式(包括回顧性(內(nèi)部)驗證和前瞻性(外部)驗證)、不同的分類級別(包括圖像級別和病例級別)、不同的置信區(qū)間(Confidence Interval,CI)(大多取CI=95%)、不同的AUC 類型(包括PR AUC 和ROC AUC)、不同的數(shù)據(jù)集以及不同的分類種類等。

    5)對分類種類分析可知:上述模型的COVID-19分類任務(wù)可歸納為二分類(COVID-19與non COVID-19)、三分類(COVID-19、其他肺炎和正常)以及四分類(COVID-19、其他病毒性肺炎、細菌性肺炎和正常)。

    6)對開源情況進行分析可知:只有少量模型開源(如文獻[39,49,59,75])。由于各個模型之間進行直接比較缺乏一定的公正性,后續(xù)可以通過統(tǒng)一的數(shù)據(jù)集建立相對公平的環(huán)境,對目前現(xiàn)有的開源模型進行比較實驗(如文獻[82]),因此對數(shù)據(jù)集的統(tǒng)一完善以及開源模型的改進顯得至關(guān)重要。

    綜上,現(xiàn)有基于深度學習的COVID-19 診斷模型從不同角度進行新冠肺炎的檢測診斷,并取得了不錯的表現(xiàn)。這些模型不僅能夠完成對ROI 區(qū)域的自動分割和自動標注,有效減少醫(yī)務(wù)人員的人工操作,而且還能對COVID-19 患者進行快速篩選,輔助專業(yè)人士進行高效診斷。

    5 應(yīng)用實例介紹

    目前,多種基于深度學習的COVID-19 檢測診斷模型相繼被提出,并經(jīng)過不斷的優(yōu)化完善,性能已可滿足實際應(yīng)用場景下的臨床應(yīng)用需求。特別是利用CT 圖像輔助診斷COVID-19 的肺炎AI 影像輔助產(chǎn)品,極大提高了臨床診斷效率,在COVID-19 的防控工作中發(fā)揮了舉足輕重的作用。下文將介紹在抗疫場景下表現(xiàn)出色的人工智能應(yīng)用系統(tǒng)。

    阿里達摩院醫(yī)療AI 團隊基于最新的診療方案,包括鐘南山院士等多個權(quán)威團隊發(fā)表的關(guān)于新冠肺炎患者臨床特征的工作[88-90],與浙大一附院、萬里云、長遠佳和古珀醫(yī)院等多家機構(gòu)開展合作,率先突破了訓練數(shù)據(jù)不足的局限,其基于5 000 多個病例的CT 影像樣本數(shù)據(jù)學習、訓練樣本的病灶紋理,研發(fā)了全新的AI 算法模型。該技術(shù)能夠在20 s 內(nèi)對患者的肺部CT 圖像作出分析和判讀,從而為臨床醫(yī)生的診斷提供有力依據(jù),準確率達到96%以上。此外,該技術(shù)還可計算病灶部位的比例,量化、預測病癥的輕重程度,大幅度提升診斷效率,為患者的治療爭取寶貴時間。特別是對未接診過新冠肺炎病例或低年資醫(yī)生,可提供有效的診斷鑒別提示信息。同時,阿里達摩院還與阿里云共同研發(fā)了輔助診斷算法,該算法可以根據(jù)患者的基本信息、癥狀、實驗室檢查結(jié)果、流行病學史、影像報告等多維信息,進一步輔助醫(yī)生制定科學的治療方案。

    依圖胸部CT 的COVID-19 智能評價系統(tǒng)[91]由上海市公共衛(wèi)生臨床中心和依圖醫(yī)療合作開發(fā),其作為業(yè)界首個COVID-19 智能影像評價系統(tǒng)于2020 年1 月28 日上線。該系統(tǒng)可實現(xiàn)前中后期的全流程輔助診斷,并采用創(chuàng)新的AI 全肺定量分析技術(shù),提升診斷的速度和精度,幫助醫(yī)生進行快速檢出、定量檢測和療效評價。該系統(tǒng)具體功能和性能為:

    1)智能檢出:肺炎病變檢出率敏感性達97.3%,特異性達99%。

    2)智能分析:對肺炎嚴重程度進行量化評價,在2 s~3 s內(nèi)完成定量分析。

    3)智能隨訪:智能隨訪分析患者病程,精準匹配歷史影像,自動分析病情的轉(zhuǎn)移和發(fā)展。

    鐘南山等專家通過召集支援武漢一線工作富有臨床經(jīng)驗的醫(yī)師,并聯(lián)合統(tǒng)計學、生物醫(yī)學工程和信息技術(shù)領(lǐng)域的專家,開發(fā)了基于物聯(lián)網(wǎng)醫(yī)學技術(shù)的COVID-19 智能診治輔助程序,簡稱nCapp[92]。該程序主要包括以下3 個方面的功能:

    1)智能輔助診斷:根據(jù)提供的數(shù)據(jù)、問卷回復以及檢查結(jié)果自動進行確診,并對疑似和可疑的病例進行歸類;根據(jù)患者病情的嚴重程度,區(qū)分為輕型、普通型、重型和危重型;建立實時更新的COVID-19樣例數(shù)據(jù)庫,通過最新病例數(shù)據(jù)對智能診斷的算法模型進行實時優(yōu)化升級,提升診斷的準確率。

    2)智能指導治療:對不同類型患者制定不同的治療方案,追蹤COVID-19 愈后患者情況,進行長期隨訪管理。

    3)智能數(shù)據(jù)監(jiān)測:自主監(jiān)控上傳至云服務(wù)器數(shù)據(jù)的可靠性與真實性,保證nCapp 能夠有效地輔助專家進行診斷。

    張康教授團隊研發(fā)的COVID-19 智慧篩查、診斷與預測系統(tǒng),可以對大量疑似肺炎病人進行快速篩查、輔助診斷和住院臨床分級預警,實現(xiàn)對COVID-19病人的全生命周期管理。該團隊基于五十萬份臨床影像學大數(shù)據(jù)[93-94],運用深度學習[95]、遷移學習[96]和語義分割[97-98]等多種AI 前沿技術(shù),開發(fā)基于胸部CT和X-ray 的新冠肺炎AI 輔助診斷系統(tǒng)[26]。該系統(tǒng)可在20 s 內(nèi)完成檢測及診斷過程,且診斷準確率達90%以上。此外,其還具有病情嚴重程度分級和重癥危重癥預測功能,可對胸部CT 圖像每一層面的小結(jié)節(jié)、磨玻璃影和實變進行自動識別、標注及定量分析,通過患者的吸氧頻率、血氧飽和度、酸堿平衡、肝功能、凝血功能等信息,綜合預測病人發(fā)展為重癥、危重癥的概率和時間,有利醫(yī)生進行及時干預,降低患者死亡率。

    6 未來研究方向

    現(xiàn)有多數(shù)基于深度學習的COVID-19 檢測診斷模型都是基于小樣本數(shù)據(jù)集訓練得到的,這可能會導致結(jié)果的過擬合。因此,為提高模型性能,使其能夠更好地輔助臨床診斷,COVID-19 數(shù)據(jù)集的質(zhì)量和數(shù)量都有待進一步提高。在數(shù)量方面,需要聯(lián)合多家醫(yī)院和研究機構(gòu),實現(xiàn)資源共享以擴大樣本量;在質(zhì)量方面,要求所有的影像數(shù)據(jù)都是規(guī)范的和標準的,并需要對這些影像數(shù)據(jù)進行精確標記。值得注意的是,影像數(shù)據(jù)中不完整、不精確的標記,將顯著降低診斷模型性能,而基于弱監(jiān)督深度學習技術(shù)的COVID-19 診斷模型可以有效規(guī)避噪聲數(shù)據(jù)(或低質(zhì)量數(shù)據(jù))的影響,這將是未來診斷模型一個較好的發(fā)展方向。此外,數(shù)據(jù)的人工標注往往費時費力,研究者可以嘗試利用無監(jiān)督和自監(jiān)督[99-100]等方法構(gòu)建COVID-19 診斷模型。另一方面,新冠肺炎診斷不應(yīng)僅局限于COVID-19 和非COVID-19 之間的分類,而應(yīng)擴展至細粒度或者精細化研究[101-102],由此分析得出患者的感染患病等級。與此同時,當下一些熱門的方法同樣值得借鑒,如多模態(tài)數(shù)據(jù)分析[103-104]、知識圖譜[105]和自動機器學習[106-107]等。

    7 結(jié)束語

    本文結(jié)合基于深度學習的COVID-19 檢測診斷模型研究現(xiàn)狀,在影像數(shù)據(jù)類型和模型任務(wù)方面介紹目前性能較為突出的分類/分割方法并進行整理和評估,對模型性能集中在6 個不同維度進行分析。隨著相關(guān)檢測診斷模型研究不斷發(fā)展,效果顯著的模型被陸續(xù)提出并被成功應(yīng)用到抗擊COVID-19 的第一線,這對抑制COVID-19 大規(guī)模流行具有重大意義。同時,針對該研究領(lǐng)域構(gòu)建的影像數(shù)據(jù)集、常用評價指標和代表性檢測診斷模型,對于未來抗擊其他傳染性疾病同樣具有重要的參考價值。后續(xù)將對基于多模態(tài)知識計算的新冠肺炎病灶區(qū)域分割算法進行深入研究,促進多模態(tài)融合和知識圖譜等技術(shù)在醫(yī)學領(lǐng)域的應(yīng)用與發(fā)展。

    猜你喜歡
    診斷模型準確率分類
    分類算一算
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準確率比較探討
    2015—2017 年寧夏各天氣預報參考產(chǎn)品質(zhì)量檢驗分析
    CD4細胞計數(shù)聯(lián)合IGRA預測AIDS/Ⅲ型TB影像診斷模型分析
    甘肅科技(2020年20期)2020-04-13 00:30:56
    分類討論求坐標
    高速公路車牌識別標識站準確率驗證法
    數(shù)據(jù)分析中的分類討論
    一種電網(wǎng)通信網(wǎng)絡(luò)的故障檢測方法及系統(tǒng)
    教你一招:數(shù)的分類
    欧美3d第一页| 色哟哟·www| 国产精品一及| av国产免费在线观看| 97人妻精品一区二区三区麻豆| 日本五十路高清| 中文字幕av成人在线电影| 2021天堂中文幕一二区在线观| 亚洲精品亚洲一区二区| 国产 一区精品| 久久精品久久久久久噜噜老黄 | 最近的中文字幕免费完整| 女的被弄到高潮叫床怎么办| 高清毛片免费看| 看片在线看免费视频| 搞女人的毛片| 亚洲色图av天堂| 国产亚洲精品久久久久久毛片| 久久热精品热| 亚洲精品日韩在线中文字幕 | 91av网一区二区| 国产蜜桃级精品一区二区三区| av免费在线看不卡| 亚洲国产欧美人成| 免费观看人在逋| 日韩欧美精品免费久久| 久99久视频精品免费| 国产视频内射| 国产av一区在线观看免费| 国产av麻豆久久久久久久| 黄色一级大片看看| 欧美三级亚洲精品| 亚洲中文字幕一区二区三区有码在线看| av在线蜜桃| 国产成人精品久久久久久| 午夜福利高清视频| 美女大奶头视频| 高清日韩中文字幕在线| 国产一区二区三区在线臀色熟女| 日日干狠狠操夜夜爽| 禁无遮挡网站| aaaaa片日本免费| 蜜桃久久精品国产亚洲av| 青春草视频在线免费观看| 伊人久久精品亚洲午夜| 亚洲国产高清在线一区二区三| 欧美日韩在线观看h| 九色成人免费人妻av| 69av精品久久久久久| 99久久精品国产国产毛片| 欧美国产日韩亚洲一区| 永久网站在线| 日韩三级伦理在线观看| 国产精品美女特级片免费视频播放器| 亚洲人成网站在线观看播放| 亚洲成人精品中文字幕电影| 久久天躁狠狠躁夜夜2o2o| 国产v大片淫在线免费观看| 国产精品99久久久久久久久| 日韩精品有码人妻一区| 国产成人影院久久av| 国产综合懂色| 99视频精品全部免费 在线| 午夜a级毛片| 天堂动漫精品| 免费高清视频大片| 日韩强制内射视频| 日日摸夜夜添夜夜爱| 99久国产av精品国产电影| 99热这里只有是精品在线观看| 国产aⅴ精品一区二区三区波| 午夜日韩欧美国产| 欧美日韩综合久久久久久| 人人妻,人人澡人人爽秒播| 日韩欧美一区二区三区在线观看| 色综合站精品国产| 嫩草影院入口| 精品无人区乱码1区二区| 国产在视频线在精品| 中国美白少妇内射xxxbb| 亚洲激情五月婷婷啪啪| 天堂√8在线中文| 精品久久久久久久末码| 久久午夜亚洲精品久久| 人人妻人人看人人澡| 神马国产精品三级电影在线观看| 欧美激情在线99| 一卡2卡三卡四卡精品乱码亚洲| 国产精品一区二区三区四区免费观看 | 久久人人爽人人爽人人片va| 桃色一区二区三区在线观看| 三级经典国产精品| 九色成人免费人妻av| 少妇人妻精品综合一区二区 | 成年版毛片免费区| 一进一出好大好爽视频| 精品人妻熟女av久视频| 久久鲁丝午夜福利片| 国内揄拍国产精品人妻在线| 久久久色成人| 波多野结衣巨乳人妻| 国产男靠女视频免费网站| 免费看美女性在线毛片视频| 亚洲第一电影网av| 在线观看av片永久免费下载| 99国产精品一区二区蜜桃av| 淫妇啪啪啪对白视频| 成人av一区二区三区在线看| 欧美日韩乱码在线| 十八禁国产超污无遮挡网站| 97碰自拍视频| 日韩av在线大香蕉| 成人综合一区亚洲| 成人三级黄色视频| 春色校园在线视频观看| 免费一级毛片在线播放高清视频| 日本五十路高清| 日日干狠狠操夜夜爽| 久久精品国产亚洲av天美| 精品不卡国产一区二区三区| 久久久久久大精品| 精品日产1卡2卡| 波野结衣二区三区在线| 草草在线视频免费看| 久久久久久久午夜电影| 成年女人永久免费观看视频| 热99在线观看视频| 麻豆国产97在线/欧美| 免费不卡的大黄色大毛片视频在线观看 | 成人三级黄色视频| 综合色av麻豆| 国产精品精品国产色婷婷| 99riav亚洲国产免费| 如何舔出高潮| 免费人成在线观看视频色| 亚洲色图av天堂| 国产视频一区二区在线看| 精品一区二区三区视频在线观看免费| 亚洲自拍偷在线| 九色成人免费人妻av| 美女cb高潮喷水在线观看| 国产亚洲欧美98| 国产激情偷乱视频一区二区| av.在线天堂| 男女下面进入的视频免费午夜| 激情 狠狠 欧美| 麻豆国产av国片精品| 国产综合懂色| 免费av不卡在线播放| av国产免费在线观看| 欧美性感艳星| 亚洲成a人片在线一区二区| 99热这里只有是精品50| 日韩,欧美,国产一区二区三区 | 免费看光身美女| 久久久久久久久大av| 日韩 亚洲 欧美在线| 国产精品99久久久久久久久| 菩萨蛮人人尽说江南好唐韦庄 | 精品久久国产蜜桃| 一级av片app| 欧美区成人在线视频| 精品午夜福利在线看| 中文字幕精品亚洲无线码一区| 看免费成人av毛片| 精品久久国产蜜桃| 精品久久久久久久久久久久久| 1000部很黄的大片| 69人妻影院| 日本一本二区三区精品| 一级a爱片免费观看的视频| 一边摸一边抽搐一进一小说| 精品国内亚洲2022精品成人| 精品一区二区三区视频在线观看免费| 欧美日韩在线观看h| 麻豆一二三区av精品| 啦啦啦啦在线视频资源| 欧美激情久久久久久爽电影| 国产在视频线在精品| 成人精品一区二区免费| 亚洲欧美精品自产自拍| 九九久久精品国产亚洲av麻豆| 亚洲欧美日韩卡通动漫| 精品日产1卡2卡| 欧美日韩综合久久久久久| 天堂动漫精品| 男女之事视频高清在线观看| 精品一区二区三区视频在线| 国产在视频线在精品| 亚洲成人av在线免费| 久久婷婷人人爽人人干人人爱| 欧美在线一区亚洲| 中文字幕免费在线视频6| 欧美+日韩+精品| 蜜臀久久99精品久久宅男| a级毛片a级免费在线| 精品一区二区三区视频在线| 日韩大尺度精品在线看网址| 身体一侧抽搐| АⅤ资源中文在线天堂| 乱系列少妇在线播放| 天堂av国产一区二区熟女人妻| 91午夜精品亚洲一区二区三区| 99在线人妻在线中文字幕| 久久人人爽人人片av| 人人妻人人澡人人爽人人夜夜 | 精品无人区乱码1区二区| 精品福利观看| 观看美女的网站| 日本一本二区三区精品| 亚洲美女视频黄频| 美女高潮的动态| 插逼视频在线观看| 一区二区三区四区激情视频 | 精品一区二区三区人妻视频| 一个人观看的视频www高清免费观看| 欧美最黄视频在线播放免费| 久久精品国产清高在天天线| 欧美成人免费av一区二区三区| 日韩欧美 国产精品| 欧美在线一区亚洲| 伦精品一区二区三区| 亚洲一级一片aⅴ在线观看| 免费看av在线观看网站| 欧美+亚洲+日韩+国产| 天天躁日日操中文字幕| 日韩国内少妇激情av| 久久精品影院6| 人妻久久中文字幕网| 成人毛片a级毛片在线播放| 久久韩国三级中文字幕| 国产在线男女| 99热网站在线观看| 成熟少妇高潮喷水视频| 久久人人精品亚洲av| 久久九九热精品免费| 两性午夜刺激爽爽歪歪视频在线观看| 一级毛片电影观看 | 男人的好看免费观看在线视频| 中国美白少妇内射xxxbb| 亚洲自偷自拍三级| 国产v大片淫在线免费观看| 午夜福利高清视频| 亚洲国产精品成人综合色| 成人亚洲精品av一区二区| 成人特级黄色片久久久久久久| 国产一区二区亚洲精品在线观看| 成年免费大片在线观看| av在线蜜桃| 嫩草影院入口| 婷婷亚洲欧美| 国产精品爽爽va在线观看网站| 亚洲精品乱码久久久v下载方式| 日韩av不卡免费在线播放| 久久天躁狠狠躁夜夜2o2o| 欧美日韩国产亚洲二区| 淫秽高清视频在线观看| 可以在线观看毛片的网站| 草草在线视频免费看| 久久99热6这里只有精品| 国产熟女欧美一区二区| 久久韩国三级中文字幕| 看免费成人av毛片| 校园人妻丝袜中文字幕| 99精品在免费线老司机午夜| 国产成人91sexporn| 最新在线观看一区二区三区| 两个人的视频大全免费| 亚洲精品国产av成人精品 | 给我免费播放毛片高清在线观看| 国内精品一区二区在线观看| 日韩强制内射视频| 人妻丰满熟妇av一区二区三区| 国产高清激情床上av| 免费在线观看成人毛片| 国内精品美女久久久久久| 亚洲婷婷狠狠爱综合网| 99久久九九国产精品国产免费| 噜噜噜噜噜久久久久久91| 国产精品一区二区免费欧美| 亚洲综合色惰| 精品日产1卡2卡| av在线观看视频网站免费| 亚洲国产色片| 日本-黄色视频高清免费观看| 一个人观看的视频www高清免费观看| 色5月婷婷丁香| 国产一区二区亚洲精品在线观看| 一级毛片aaaaaa免费看小| 国产蜜桃级精品一区二区三区| 免费看av在线观看网站| 波多野结衣高清无吗| 麻豆国产av国片精品| 国产精品亚洲一级av第二区| 免费搜索国产男女视频| 白带黄色成豆腐渣| 日韩欧美免费精品| 午夜视频国产福利| 九色成人免费人妻av| 国产色爽女视频免费观看| 国产高清激情床上av| 久久草成人影院| 久久欧美精品欧美久久欧美| 能在线免费观看的黄片| ponron亚洲| 久久国内精品自在自线图片| 中文亚洲av片在线观看爽| 国产成人a∨麻豆精品| 两性午夜刺激爽爽歪歪视频在线观看| 校园人妻丝袜中文字幕| 国产成人freesex在线 | 永久网站在线| 亚洲最大成人手机在线| 亚洲电影在线观看av| 十八禁网站免费在线| 嫩草影院新地址| 在线免费观看的www视频| 久久韩国三级中文字幕| 十八禁国产超污无遮挡网站| av福利片在线观看| 男人舔女人下体高潮全视频| 亚洲五月天丁香| 久久人妻av系列| 国产av在哪里看| 免费搜索国产男女视频| 精品国内亚洲2022精品成人| 18禁黄网站禁片免费观看直播| 午夜老司机福利剧场| 人人妻人人看人人澡| 99久久精品热视频| 三级毛片av免费| av免费在线看不卡| 最近在线观看免费完整版| 国产免费男女视频| 国产成年人精品一区二区| 亚洲成a人片在线一区二区| 欧美日韩综合久久久久久| 成人特级av手机在线观看| 蜜桃久久精品国产亚洲av| 亚洲人成网站在线播放欧美日韩| 在线免费观看的www视频| a级毛色黄片| 人妻制服诱惑在线中文字幕| 婷婷六月久久综合丁香| 午夜免费激情av| 久久久久免费精品人妻一区二区| 亚洲av.av天堂| 在线免费观看不下载黄p国产| 婷婷亚洲欧美| 成年女人永久免费观看视频| 亚洲精品乱码久久久v下载方式| 97碰自拍视频| 午夜福利在线观看吧| 天堂av国产一区二区熟女人妻| 日韩精品有码人妻一区| 最近2019中文字幕mv第一页| 久久久久国产网址| 99在线人妻在线中文字幕| 欧美极品一区二区三区四区| 国产极品精品免费视频能看的| 国产黄色小视频在线观看| 精品久久久久久久久久免费视频| 日韩欧美精品v在线| 精品欧美国产一区二区三| 国内精品一区二区在线观看| 国产精品日韩av在线免费观看| 国产精品久久电影中文字幕| 亚洲成av人片在线播放无| 国产精品野战在线观看| 2021天堂中文幕一二区在线观| 天天躁日日操中文字幕| 老师上课跳d突然被开到最大视频| 久久精品91蜜桃| 最近视频中文字幕2019在线8| 晚上一个人看的免费电影| 九九在线视频观看精品| 丰满乱子伦码专区| 99久久成人亚洲精品观看| 日韩人妻高清精品专区| 天天躁日日操中文字幕| 亚洲精华国产精华液的使用体验 | 村上凉子中文字幕在线| 亚洲av免费高清在线观看| 亚洲最大成人中文| 长腿黑丝高跟| 亚洲不卡免费看| 国产精品福利在线免费观看| 老司机影院成人| .国产精品久久| 免费大片18禁| 99热精品在线国产| 日韩欧美一区二区三区在线观看| 久久精品国产99精品国产亚洲性色| 91久久精品电影网| 狂野欧美白嫩少妇大欣赏| 国产精品一区二区性色av| 在线免费十八禁| 欧美一区二区精品小视频在线| 国产精品美女特级片免费视频播放器| 欧美日本亚洲视频在线播放| 国产v大片淫在线免费观看| 在线观看一区二区三区| 国产综合懂色| 国产精品一区二区三区四区久久| 日日摸夜夜添夜夜添小说| 日韩强制内射视频| 亚洲性久久影院| 亚洲七黄色美女视频| 白带黄色成豆腐渣| 午夜福利视频1000在线观看| 国内少妇人妻偷人精品xxx网站| 一进一出抽搐动态| 国产午夜精品久久久久久一区二区三区 | 国产激情偷乱视频一区二区| 久久综合国产亚洲精品| 国产黄片美女视频| 久久九九热精品免费| 国产爱豆传媒在线观看| 欧美3d第一页| 国产精品av视频在线免费观看| 中文在线观看免费www的网站| 99热只有精品国产| 亚洲人成网站在线观看播放| 亚洲av第一区精品v没综合| 欧美不卡视频在线免费观看| 插阴视频在线观看视频| 天天躁夜夜躁狠狠久久av| 99热这里只有是精品在线观看| 亚洲成人中文字幕在线播放| 天堂影院成人在线观看| АⅤ资源中文在线天堂| 国产亚洲精品av在线| 我要搜黄色片| 网址你懂的国产日韩在线| 亚洲欧美清纯卡通| 午夜福利高清视频| 成年女人毛片免费观看观看9| 精品国产三级普通话版| 欧美一级a爱片免费观看看| 欧美性猛交黑人性爽| 国产成人一区二区在线| 精品久久久久久久末码| 日韩欧美 国产精品| 亚洲成a人片在线一区二区| 日韩中字成人| 久久久a久久爽久久v久久| 国产av不卡久久| 欧美日本视频| 欧美在线一区亚洲| 日本黄大片高清| 国产人妻一区二区三区在| 日本五十路高清| 欧美另类亚洲清纯唯美| 国产高清视频在线观看网站| 十八禁国产超污无遮挡网站| 亚洲熟妇熟女久久| 欧美人与善性xxx| 日本a在线网址| 国产老妇女一区| 亚洲欧美中文字幕日韩二区| 久久国产乱子免费精品| av黄色大香蕉| a级毛片免费高清观看在线播放| 搞女人的毛片| 俺也久久电影网| 中文字幕av成人在线电影| 免费看日本二区| 丰满的人妻完整版| 国产在线男女| 91久久精品国产一区二区成人| 久久精品91蜜桃| 非洲黑人性xxxx精品又粗又长| 国产真实伦视频高清在线观看| 亚洲美女搞黄在线观看 | 欧美激情国产日韩精品一区| 午夜老司机福利剧场| 高清午夜精品一区二区三区 | 亚洲国产色片| 精品一区二区三区人妻视频| 成人性生交大片免费视频hd| 国产午夜精品久久久久久一区二区三区 | 老熟妇乱子伦视频在线观看| 国产片特级美女逼逼视频| 自拍偷自拍亚洲精品老妇| 日本三级黄在线观看| 国产男人的电影天堂91| 日日摸夜夜添夜夜添av毛片| 成人无遮挡网站| 国产精品综合久久久久久久免费| 99久国产av精品| 免费不卡的大黄色大毛片视频在线观看 | 我的女老师完整版在线观看| 亚洲av中文字字幕乱码综合| 岛国在线免费视频观看| 麻豆久久精品国产亚洲av| 成人鲁丝片一二三区免费| 99热网站在线观看| 免费人成在线观看视频色| 国产成人福利小说| 99热精品在线国产| 久久人人爽人人爽人人片va| 中文字幕久久专区| 亚洲av成人av| 欧美丝袜亚洲另类| 永久网站在线| 亚洲四区av| 三级国产精品欧美在线观看| 国产淫片久久久久久久久| 日韩欧美 国产精品| 日韩亚洲欧美综合| 国产免费一级a男人的天堂| 午夜精品在线福利| 国产午夜福利久久久久久| 给我免费播放毛片高清在线观看| 久久精品91蜜桃| 精品欧美国产一区二区三| 精品一区二区三区人妻视频| 国产欧美日韩一区二区精品| 亚洲成人av在线免费| 美女cb高潮喷水在线观看| 国产视频一区二区在线看| 俺也久久电影网| 亚洲经典国产精华液单| 午夜福利在线观看吧| 欧美区成人在线视频| 一本久久中文字幕| 国产极品精品免费视频能看的| 男人和女人高潮做爰伦理| 一进一出抽搐gif免费好疼| 国产麻豆成人av免费视频| 午夜福利在线在线| 女人被狂操c到高潮| 欧美日韩精品成人综合77777| 精品久久久久久成人av| 亚洲综合色惰| 99热这里只有是精品50| 国产av不卡久久| 亚洲中文日韩欧美视频| 美女xxoo啪啪120秒动态图| 日韩国内少妇激情av| 久久6这里有精品| 成年版毛片免费区| 中国美女看黄片| 寂寞人妻少妇视频99o| 一进一出抽搐动态| 成人国产麻豆网| 99久久精品一区二区三区| 毛片一级片免费看久久久久| 中文字幕av成人在线电影| 亚洲图色成人| 亚洲最大成人av| 成人亚洲欧美一区二区av| 97超级碰碰碰精品色视频在线观看| 国产私拍福利视频在线观看| 亚洲,欧美,日韩| 好男人在线观看高清免费视频| 日韩中字成人| a级一级毛片免费在线观看| 美女内射精品一级片tv| 此物有八面人人有两片| 久久精品国产鲁丝片午夜精品| 舔av片在线| 精品熟女少妇av免费看| 一级av片app| 少妇的逼好多水| 三级经典国产精品| 久久久久性生活片| 国产成年人精品一区二区| 成人高潮视频无遮挡免费网站| 国产淫片久久久久久久久| 热99在线观看视频| 国产精品不卡视频一区二区| 亚洲va在线va天堂va国产| 国产午夜精品久久久久久一区二区三区 | 欧美激情久久久久久爽电影| 狂野欧美白嫩少妇大欣赏| 日日撸夜夜添| 欧美激情国产日韩精品一区| 国产真实乱freesex| 最新中文字幕久久久久| 国产精品人妻久久久久久| 午夜福利视频1000在线观看| 日韩中字成人| 中文字幕av在线有码专区| 最近手机中文字幕大全| 婷婷色综合大香蕉| 国产精品野战在线观看| 99riav亚洲国产免费| 97人妻精品一区二区三区麻豆| av专区在线播放| 国产精品久久视频播放| 自拍偷自拍亚洲精品老妇| 亚洲欧美日韩高清在线视频| 99国产精品一区二区蜜桃av| 神马国产精品三级电影在线观看| 久久久a久久爽久久v久久| 岛国在线免费视频观看| 亚洲精品日韩在线中文字幕 | 麻豆久久精品国产亚洲av| 亚洲国产精品久久男人天堂| 欧美一区二区亚洲| 91久久精品电影网| 午夜久久久久精精品| а√天堂www在线а√下载| 天天躁夜夜躁狠狠久久av| 国产大屁股一区二区在线视频| 国产黄色小视频在线观看| 国产乱人视频| 国产精品一区二区免费欧美| 亚洲aⅴ乱码一区二区在线播放| 99国产极品粉嫩在线观看| 欧美一级a爱片免费观看看| 亚洲高清免费不卡视频| 国产真实伦视频高清在线观看| 天堂av国产一区二区熟女人妻|