Multi-Dataset Multi-Task Learning for COVID-19 Prognosis

在抗击COVID-19大流行的过程中，利用人工智能从胸部X光图像预测疾病结果代表了一个重要的科学目标。然而，挑战在于缺乏大规模、标记的数据集，这些数据集具有兼容的任务，可以训练深度学习模型，而不会导致过度拟合。针对这个问题，我们介绍了一种新颖的多数据集多任务训练框架，通过整合来自不同来源、与传统多任务学习方法不同的相关数据集，预测胸部X光片(CXR)中的COVID-19预后结果。我们的框架假设评估严重程度评分可以增强模型对预后严重程度组的分类能力，从而提高其鲁棒性和预测能力。所提出的架构包括一个深度卷积网络，它从两个公开可用的CXR数据集(AIforCOVID和BRIXIA)中接收输入，分支成特定任务的全连接输出网络。此外，我们提出了一个多任务损失函数，结合一个指示函数，以利用多数据集集成。所提出的方法的有效性和鲁棒性通过18个不同的卷积神经网络骨干在不同的评估策略下的预后分类任务的显著性能改进得到了证明。这种改进是在单任务基线和标准迁移学习策略的基础上显而易见的，得到了广泛的统计分析支持，显示出巨大的应用潜力。

论文旨在利用人工智能预测胸部X射线图像中COVID-19的预后结果，解决的问题是数据集稀缺和标签任务不兼容的问题。

论文提出了一种新的多数据集多任务训练框架，通过整合来自不同来源的相关数据集，预测COVID-19的预后结果。该框架通过评估严重程度得分来提高模型分类预后严重程度组的能力，从而提高其鲁棒性和预测能力。

论文使用了两个公共数据集AIforCOVID和BRIXIA，提出了一种多任务损失函数，并在18个不同的卷积神经网络背景下进行了大量的实验设计和统计分析。实验结果表明，该方法相对于单任务基线和标准迁移学习策略，具有显著的性能提升和应用潜力。

与该论文相关的研究包括：使用深度学习方法预测COVID-19的预后结果，使用胸部X射线图像进行COVID-19诊断和预测等。