1204 工程科学学报，第43卷，第9期 表9在COVD数据集上三组实验的准确度和其他评价指标 Table 9 Accuracy and other evaluation indicators of three groups of experiments in COVID dataset Model Class p FP FN Precision Recall F1-score Accuracy NonCOVID 65 4 0.942 0.942 0.942 Fusion method 0.942 COVID 65 4 0.942 0.942 0.942 NonCOVID 20 14 0.733 0.797 0.764 ShuffleNetv2(Only image data) COVID % 0.754 20 0.778 0.710 0.742 NonCOVID 53 6 1.00 0.768 0.869 DNN(Only structured data) 6 0.884 COVID 69 0 0.812 1.00 0.896 1.0 3.0 2.5 (b) -Validation 0.8 -Train 0.6 2.0 是0.4 1.0 02 Validation 0.5 (a -Train l八aLdh 0 0 51101151201251301351401451501 51101151201251301351401451501 Iteration Iteration 图5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.5 Changes in predictive accuracy and loss during training:(a)changes in accuracy;(b)changes in the loss 表10本文方法和仅通过图像学习对138个样本进行分类的时间 用结合的数据进行分类，实现了同时预测多种疾 Table 10 Time required to classify 138 samples using proposed method 病的效果，节省了医学分析的时间.实验Ⅱ为了判 and using only image data 断患者是否患有新冠肺炎，以肺部CT图像和临床 Model Proposed method Image only 诊断信息作为诊断依据，与仅使用肺部CT图像相 Time 3.58 3.56 比，两种方法的预测时间相差极小，但是提出的方 表11 Fusion method、ResNet50、VGG16、ShuffleNetv2和AlexNet的准确度和其他评价指标 Table 11 Accuracy and other evaluation indicators of Fusion method,ResNet50,VGG16,ShuffleNetv2 and AlexNet Model Class TP 公 FN Precision Recall F1-score Accuracy NonCOVID 65 4 4 0.942 0.942 0.942 Fusion method 0.942 COVID 65 4 4 0.942 0.942 0.942 NonCOVID 56 15 13 0.789 0.812 0.800 ResNet50 0.797 COVID 54 13 15 0.806 0.783 0.794 NonCOVID 54 16 15 0.771 0.783 0.777 VGG16 0.775 COVID 53 15 16 0.779 0.768 0.774 NonCOVID 55 20 14 0.733 0.797 0.764 ShuffleNetv2 0.754 COVID 49 14 20 0.778 0.710 0.742 NonCOVID 50 18 19 0.735 0.725 0.730 AlexNet 0.732 COVID 51 19 18 0.728 0.739 0.734 法的预测结果准确地多.综合来看，本文提出的方 applied to document recognition.Proc /EEE,1998,86(11):2278 法为提高医学诊断的准确性、节省医学诊断时间 [2] Krizhevsky A,Sutskever I,Hinton G E.ImageNet classification 提供了一个很好的思路 with deep convolutional neural networks.Commun ACM,2017, 60(6):84 参考文献 [3]Deng J,Dong W,Socher R,et al.ImageNet:A large-scale [1]Lecun Y,Bottou L Bengio Y,et al.Gradient-based leaming hierarchical image database /2009 IEEE Conference on Computer用结合的数据进行分类，实现了同时预测多种疾 病的效果，节省了医学分析的时间. 实验 II 为了判 断患者是否患有新冠肺炎，以肺部 CT 图像和临床 诊断信息作为诊断依据，与仅使用肺部 CT 图像相 比，两种方法的预测时间相差极小，但是提出的方 法的预测结果准确地多. 综合来看，本文提出的方 法为提高医学诊断的准确性、节省医学诊断时间 提供了一个很好的思路. 参    考    文    献 [1] Lecun  Y,  Bottou  L,  Bengio  Y,  et  al.  Gradient-based  learning applied to document recognition. Proc IEEE, 1998, 86（11）: 2278 Krizhevsky  A,  Sutskever  I,  Hinton  G  E.  ImageNet  classification with  deep  convolutional  neural  networks. Commun ACM,  2017, 60（6）: 84 [2] Deng  J,  Dong  W,  Socher  R,  et  al.  ImageNet:  A  large-scale hierarchical image database // 2009 IEEE Conference on Computer [3] 1 101 201 301 Iteration Accuracy Loss 51 151 251 351 451 1 101 201 301 401 501 Iteration 51 151 251 351 451 401 501 1.0 0.8 0.6 0.4 0.2 0 3.0 2.5 2.0 1.5 1.0 0.5 0 Validation Train Validation Train (a) (b) 图 5    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.5    Changes in predictive accuracy and loss during training: (a) changes in accuracy; (b) changes in the loss 表 10    本文方法和仅通过图像学习对 138 个样本进行分类的时间 Table 10    Time required to classify 138 samples using proposed method and using only image data Model Proposed method Image only Time 3.58 3.56 表 11  Fusion method、ResNet50、VGG16、ShuffleNetv2 和 AlexNet 的准确度和其他评价指标 Table 11 Accuracy and other evaluation indicators of Fusion method, ResNet50, VGG16, ShuffleNetv2 and AlexNet Model Class TP FP FN Precision Recall F1-score Accuracy Fusion method NonCOVID 65 4 4 0.942 0.942 0.942 0.942 COVID 65 4 4 0.942 0.942 0.942 ResNet50 NonCOVID 56 15 13 0.789 0.812 0.800 0.797 COVID 54 13 15 0.806 0.783 0.794 VGG16 NonCOVID 54 16 15 0.771 0.783 0.777 0.775 COVID 53 15 16 0.779 0.768 0.774 ShuffleNetv2 NonCOVID 55 20 14 0.733 0.797 0.764 0.754 COVID 49 14 20 0.778 0.710 0.742 AlexNet NonCOVID 50 18 19 0.735 0.725 0.730 0.732 COVID 51 19 18 0.728 0.739 0.734 表 9 在 COVID 数据集上三组实验的准确度和其他评价指标 Table 9 Accuracy and other evaluation indicators of three groups of experiments in COVID dataset Model Class TP FP FN Precision Recall F1-score Accuracy Fusion method NonCOVID 65 4 4 0.942 0.942 0.942 0.942 COVID 65 4 4 0.942 0.942 0.942 ShuffleNetv2(Only image data) NonCOVID 55 20 14 0.733 0.797 0.764 0.754 COVID 49 14 20 0.778 0.710 0.742 DNN(Only structured data) NonCOVID 53 0 16 1.00 0.768 0.869 0.884 COVID 69 16 0 0.812 1.00 0.896 · 1204 · 工程科学学报，第 43 卷，第 9 期