下一代COVID-19诊断技术：结合SegFormer、MaxViT和可解释人工智能技术，实现先进的肺部CT成像分析

《Coronaviruses》：Next-Gen COVID-19 Diagnosis: Integrating SegFormer, MaxViT, and Explainable AI for Advanced Lung CT Imaging

基于多中心CT影像的COVID-19智能诊断模型研究，提出融合SegFormer分割与MaxViT分类的深度学习框架，在四个国际数据集（含77,050张CT影像）验证中，平均Dice系数达0.91，分类准确率95.2%-96.4%，创新性引入严重程度指数（97%）和动态进程指数（96%），证明模型在噪声数据及临床场景中的鲁棒性和可解释性优势。

　　

摘要

引言：COVID-19大流行凸显了医学影像（尤其是肺部CT扫描）在疾病诊断和监测中的关键作用。尽管CT在检测COVID-19方面具有重要意义，但在不同的临床环境中实现高精度和鲁棒性仍面临挑战，尤其是在图像质量和表现形式多样的情况下。本研究提出了一个深度学习框架，结合了SegFormer进行分割和MaxViT进行分类，旨在利用四个不同的数据集提高肺部CT扫描中COVID-19诊断的准确性。

材料与方法：本研究使用了四个公开可用的CT扫描数据集：SARS-CoV-2-CTScan（巴西）、COVID-CTset（伊朗）、MosMedData（俄罗斯）和BIMCV-COVID19+（西班牙），共计77,050张来自2,100多名患者的CT图像。这些数据集经过多种预处理和增强技术处理，包括CLAHE、噪声过滤和3D变换。模型的分割效果通过Dice相似系数（DSC）进行评估，而分类准确性则通过精确度、召回率和F1分数等标准指标进行衡量。

结果：所提出的模型在所有数据集上的平均DSC值为0.91，分类准确率分别为95.2%、92.5%、93.4%和94.1%。在SARS-CoV-2-CTScan数据集上，COVID-19检测的精确度为96.4%，相应的召回率和F1分数分别为94.8%和95.6%。跨数据集评估结果显示，整体准确率为95.0%，DSC值为0.90。一些新的关键指标（如COVID-19严重程度分级指数97%和时间进展指数96%）证明了该模型的临床相关性。

讨论：该模型在多样化的数据集和成像条件下表现出出色的泛化能力。MixUp和CutMix等增强技术显著提高了模型的鲁棒性，使Dice损失减少了14%，并在罕见病例中的分类准确性提高了7%。通过注意力热图和特征归因，模型的可解释性得到了进一步提升，从而增强了其临床应用性，提高了决策的透明度。

结论：本研究提出了一个用于从肺部CT扫描中检测COVID-19的强大深度学习框架，该框架在多个数据集上均表现出高准确性、可靠性和可解释性。尽管性能优异，但在处理噪声较大或非典型病例时仍有改进空间。该模型适用于临床应用，为自动化COVID-19诊断和监测提供了有效工具，并具有在现实世界应用中进一步改进的潜力。

关键词： COVID、肺部CT分析、可解释AI、深度学习、自动化肺部评估、变换器