·1202 工程科学学报，第43卷，第9期 表5在PHD数据集上三组实验的准确率和其他评价指标 Table 5 Accuracy and other evaluation indicators of three groups of experiments in PHD dataset Model Class FP Precision Recall F1-score Accuracy NHPH 33 19 的 0.635 0.733 0.680 NPH 29 10 17 0.744 0.630 0.682 Fusion method 0.687 PNH 24 14 14 0.632 0.632 0.632 PH 39 14 14 0.736 0.736 0.736 No pneumonia 79 11 0.878 0.868 0.873 ShuffleNetv2(Only image data) 0.870 0.874 Pneumonia 80 12 0.879 0.874 No heart disease 72 16 0.818 0.867 0.842 DNN(Only structured data) 0.852 Heart disease 83 16 0.883 0.838 0.860 1.0 2.5 0.9 (a) (b) 0.8 2.0 0.7 03 0. -Validation 0.5 Validation 0.1 -Train -Train 0. 0 Iteration Iteration 图3训练过程中的预测准确率和损失的变动.()准确率的变动：(b)损失的变动 Fig.3 Changes in predictive accuracy and loss during training:(a)changes in accuracy;(b)changes in the loss 力，因此该方法可以用于具有相互联系的两种疾 史(PMH、是否与阳性患者接触过(CP)、正常白细 病的预测，如肥胖和高血压 胞(WBC)和其他症状(Other).性别包括男性(1) 2.2实验Ⅱ 和女性(2)：年龄从1岁到100岁不等：F由3个值 实验Ⅱ用以判定一个人是否患有COVID-19, 表示，1代表不发热(<37.3℃)，2代表轻度发热 即本实验是一个二分类的任务.我们知道，仅根据 (37.3~39℃)，3代表高度发热(>39℃)：D由4个 临床症状或者仅利用CT图像无法确定一个人是 值表示，1表示正常，2表示轻度困难，3表示中度 否患有COVID-19.在没有进行核酸检测的情况 困难，4表示重度困难；C由3个值表示，1表示没 下，医生通常需要将病人的临床症状与CT图像结 有咳嗽，2表示轻度咳嗽，3表示剧烈咳嗽；PMH包 合起来，以确定病人是否患有COVID-19.因此， 含2种情况：1表示没有，2表示有；CP有3种情 利用本文提出的新的医疗辅助诊断方法与仅使 况：1表示没有接触过，2表示接触过，3表示来自 用CT图像数据和仅使用结构化数值数据预测 疫情区；WBC有3种状态：1表示下降，2表示正 COVID-19的方法进行比较，以证明提出的新方法 常，3表示上升；其他症状包括腹泻，吞咽困难，胸 的有效性 闷等，用1表示没有其症状，2表示有其症状.由于 2.2.1数据集 数值数据的某些属性值是缺失的，因此本文将缺 实验Ⅱ使用的数据集是从几家医院的公共网 失值用0代表.没有患COVID-19的患者的数值 站B0收集的.该数据集（命名为COVID)由460个 数据是在专业指导下构建的，构建的数据集共 样本组成，其中训练集中包含161个没有患 包含两类：没有患COVID-I9(NonCOVID)和患 COVID-19的样本和161个患有COVID-19的样 COVID-19(COVID).图4展示了数据集中的两种 本，测试集中包含69个没有患COVID-19的样本 样本 和69个患有COVID-19的样本.数据集中的每个 2.2.2结果和讨论 样本包含患者的肺部CT图像和10个数值属性： 实验Ⅱ同实验I一样，使用如图1所示的模型 性别(Sex)、年龄(Age)、发热程度(F)、呼吸困难 结构.与实验1相似，设计了三组实验预测患者是 程度(D)、咳嗽程度(C)、血氧饱和度(OS)、既往病 否患有COVID-I9.第一组实验(ShuffleNetv22)利力，因此该方法可以用于具有相互联系的两种疾 病的预测，如肥胖和高血压. 2.2    实验 II 实验 II 用以判定一个人是否患有 COVID−19， 即本实验是一个二分类的任务. 我们知道，仅根据 临床症状或者仅利用 CT 图像无法确定一个人是 否患有 COVID−19. 在没有进行核酸检测的情况 下，医生通常需要将病人的临床症状与 CT 图像结 合起来，以确定病人是否患有 COVID−19. 因此， 利用本文提出的新的医疗辅助诊断方法与仅使 用 CT 图像数据和仅使用结构化数值数据预测 COVID−19 的方法进行比较，以证明提出的新方法 的有效性. 2.2.1    数据集 实验 II 使用的数据集是从几家医院的公共网 站[30] 收集的. 该数据集 (命名为 COVID) 由 460 个 样 本 组 成 ， 其 中 训 练 集 中 包 含 161 个 没 有 患 COVID−19 的样本和 161 个患有 COVID−19 的样 本，测试集中包含 69 个没有患 COVID−19 的样本 和 69 个患有 COVID−19 的样本. 数据集中的每个 样本包含患者的肺部 CT 图像和 10 个数值属性： 性别（Sex）、年龄（Age）、发热程度 (F)、呼吸困难 程度 (D)、咳嗽程度 (C)、血氧饱和度 (OS)、既往病 史 (PMH)、是否与阳性患者接触过 (CP)、正常白细 胞 (WBC) 和其他症状（Other）. 性别包括男性（1） 和女性（2）；年龄从 1 岁到 100 岁不等；F 由 3 个值 表示 ， 1 代表不发热（ <37.3 ℃)， 2 代表轻度发热 （37.3～39 ℃），3 代表高度发热（>39 ℃）；D 由 4 个 值表示，1 表示正常，2 表示轻度困难，3 表示中度 困难，4 表示重度困难；C 由 3 个值表示，1 表示没 有咳嗽，2 表示轻度咳嗽，3 表示剧烈咳嗽；PMH 包 含 2 种情况：1 表示没有，2 表示有；CP 有 3 种情 况：1 表示没有接触过，2 表示接触过，3 表示来自 疫情区；WBC 有 3 种状态：1 表示下降，2 表示正 常，3 表示上升；其他症状包括腹泻，吞咽困难，胸 闷等，用 1 表示没有其症状，2 表示有其症状. 由于 数值数据的某些属性值是缺失的，因此本文将缺 失值用 0 代表. 没有患 COVID−19 的患者的数值 数据是在专业指导[31] 下构建的，构建的数据集共 包含两类 ：没有 患 COVID−19（ NonCOVID) 和 患 COVID−19（COVID). 图 4 展示了数据集中的两种 样本. 2.2.2    结果和讨论 实验 II 同实验 I 一样，使用如图 1 所示的模型 结构. 与实验 I 相似，设计了三组实验预测患者是 否患有 COVID−19. 第一组实验（ShuffleNetv2）利 1.0 0.9 (a) (b) 0.8 0.7 0.6 0.5 2.5 2.0 1.5 Loss 1.0 0.5 0 Accuracy 0.4 0.3 0.2 0.1 1 101 201 301 401 501 601 701 Iteration 801 901 1001 1101 1201 1301 1 101 201 301 401 501 601 701 Iteration 801 901 1001 1101 1201 1301 0 Validation Train Validation Train 图 3    训练过程中的预测准确率和损失的变动. （a）准确率的变动；（b）损失的变动 Fig.3    Changes in predictive accuracy and loss during training: (a) changes in accuracy; (b) changes in the loss 表 5 在 PHD 数据集上三组实验的准确率和其他评价指标 Table 5 Accuracy and other evaluation indicators of three groups of experiments in PHD dataset Model Class TP FP FN Precision Recall F1-score Accuracy Fusion method NHPH 33 19 12 0.635 0.733 0.680 0.687 NPH 29 10 17 0.744 0.630 0.682 PNH 24 14 14 0.632 0.632 0.632 PH 39 14 14 0.736 0.736 0.736 ShuffleNetv2(Only image data) No pneumonia 79 11 12 0.878 0.868 0.873 0.874 Pneumonia 80 12 11 0.870 0.879 0.874 DNN(Only structured data) No heart disease 72 16 11 0.818 0.867 0.842 0.852 Heart disease 83 11 16 0.883 0.838 0.860 · 1202 · 工程科学学报，第 43 卷，第 9 期