基于多目标算术优化增强 BiLSTM 模型用于 COVID-19 的 CT 影像诊断：突破与展望

《Scientific Reports》：A BiLSTM model enhanced with multi-objective arithmetic optimization for COVID-19 diagnosis from CT images

新冠病毒不断变异，现有基于 CT 影像的 AI 诊断算法准确性和效率欠佳。研究人员开展了基于多目标算术优化算法（MOAOA）增强 BiLSTM 模型用于 COVID-19 自动诊断的研究。结果显示模型准确率达 95.32%，特异性达 95.09%，为早期诊断提供了有效方案。

　　新冠疫情在全球迅速蔓延，给人类健康和生命带来严重威胁。快速准确地诊断新冠患者对于有效治疗和疫情防控至关重要。目前，核酸检测的 “黄金标准”—— 逆转录聚合酶链反应（RT-PCR）存在假阴性和灵敏度有限的问题，难以完全满足诊断需求。而计算机断层扫描（CT）成像虽有较高灵敏度，但人工评估效率低，因此开发和改进计算机辅助诊断（CAD）系统迫在眉睫。

在此背景下，皖南医学院第一附属医院和安徽工程大学的研究人员开展了相关研究。他们提出了一种多目标优化算法（MOAOA）来增强双向长短期记忆网络（BiLSTM）模型，用于 COVID-19 的自动诊断，并将该研究成果发表在《Scientific Reports》上。

研究人员主要运用了以下关键技术方法：首先，利用卷积神经网络（CNN）从数据集提取 128 个特征作为 BiLSTM 模型的输入；其次，采用交叉验证划分数据集并进行多轮验证；最后，运用 MOAOA 优化 BiLSTM 网络的超参数。

研究结果如下：

1. 多目标算术优化算法性能测试：通过一系列 Zitzler-Deb-Thiele（ZDT）函数对 MOAOA 进行验证，并与 NSGA-II 和原始 MOPSO 对比。结果表明，MOAOA 能更准确地捕捉真实的帕累托前沿（PF），其优化性能优于 NSGA-II 和 MOPSO。
2. COVID-19 CT 分类实验：在两个真实世界的数据集上对 MOAOA-BiLSTM 模型进行测试。在数据集 1 中，该模型在 COVID-19 和非 COVID-19 类别中都有较高的准确率（分别为 95.6% 和 95.1%），ROC 曲线和混淆矩阵分析显示其性能优异，且在与其他优化算法对比中，MOAOA 优化的 BiLSTM 网络在准确率、精度、特异性、召回率和 F1 分数等指标上表现更优。在数据集 2 中，进一步验证了模型的准确性和效率，MOAOA 优化模型在训练和验证中的准确率更高且损失更小，在对正常、肺炎和 COVID-19 图像的预测中，准确率均超过 90%，是最稳定和准确的算法。

研究结论和讨论部分指出，该研究提出的 MOAOA-BiLSTM 深度网络模型，能自动优化 BiLSTM 深度神经网络的超参数，解决了 BiLSTM 超参数设置不合理的问题，提高了 COVID-19 诊断的准确性。MOAOA 算法的动态调整机制增加了解决过程的灵活性，避免陷入局部最优解。然而，该模型也存在一定局限性，如对 CT 图像质量有要求，实时诊断仍面临挑战。但总体而言，该模型为疫情防控和患者治疗提供了重要的辅助诊断工具，未来有望在物联网和基于云的诊断工具、多模态模型等方面进一步拓展应用，为医疗领域带来更多突破。