The outbreak of the COVID-19 (Coronavirus disease 2019) pandemic has changed the world. According to the World Health Organization (WHO), there have been more than 100 million confirmed cases of COVID-19, including more than 2.4 million deaths. It is extremely important the early detection of the disease, and the use of medical imaging such as chest X-ray (CXR) and chest Computed Tomography (CCT) have proved to be an excellent solution. However, this process requires clinicians to do it within a manual and time-consuming task, which is not ideal when trying to speed up the diagnosis. In this work, we propose an ensemble classifier based on probabilistic Support Vector Machine (SVM) in order to identify pneumonia patterns while providing information about the reliability of the classification. Specifically, each CCT scan is divided into cubic patches and features contained in each one of them are extracted by applying kernel PCA. The use of base classifiers within an ensemble allows our system to identify the pneumonia patterns regardless of their size or location. Decisions of each individual patch are then combined into a global one according to the reliability of each individual classification: the lower the uncertainty, the higher the contribution. Performance is evaluated in a real scenario, yielding an accuracy of 97.86%. The large performance obtained and the simplicity of the system (use of deep learning in CCT images would result in a huge computational cost) evidence the applicability of our proposal in a real-world environment.

中文翻译：

---

基于特征根分类器的概率组合在胸部CT图像中诊断COVID-19的可能性

COVID-19（2019年冠状病毒病）大流行的爆发改变了世界。根据世界卫生组织（WHO）的数据，已确认的COVID-19病例超过1亿例，其中有240万人死亡。疾病的早​​期检测非常重要，事实证明，使用医学成像（例如胸部X射线（CXR）和胸部计算机断层扫描（CCT））是一种很好的解决方案。但是，此过程需要临床医生在手动且耗时的任务中完成，这在尝试加快诊断速度时并不理想。在这项工作中，我们提出了一种基于概率支持向量机（SVM）的整体分类器，以识别肺炎的样式，同时提供有关分类可靠性的信息。具体来说，每次CCT扫描都分为三次面片，并且通过应用内核PCA提取其中每个面片中包含的特征。在集合中使用基本分类器可以使我们的系统识别出肺炎的类型，无论其大小或位置如何。然后，根据每个分类的可靠性将每个补丁的决策组合为一个全局决策：不确定性越低，贡献就越大。在实际场景中评估性能，得出的准确度为97.86％。获得的巨大性能和系统的简单性（在CCT图像中使用深度学习会导致巨大的计算成本）证明了我们的建议在现实环境中的适用性。在集合中使用基本分类器可以使我们的系统识别出肺炎的类型，无论其大小或位置如何。然后，根据每个单独分类的可靠性将每个单独补丁的决策组合为一个全局决策：不确定性越低，贡献就越大。在实际场景中评估性能，得出的准确度为97.86％。获得的巨大性能和系统的简单性（在CCT图像中使用深度学习会导致巨大的计算成本）证明了我们的建议在现实环境中的适用性。在集合中使用基本分类器可以使我们的系统识别出肺炎的类型，无论其大小或位置如何。然后，根据每个单独分类的可靠性将每个单独补丁的决策组合为一个全局决策：不确定性越低，贡献就越大。在实际场景中评估性能，得出的准确度为97.86％。获得的巨大性能和系统的简单性（在CCT图像中使用深度学习会导致巨大的计算成本）证明了我们的建议在现实环境中的适用性。然后，根据每个单独分类的可靠性将每个单独补丁的决策组合为一个全局决策：不确定性越低，贡献就越大。在实际场景中评估性能，得出的准确度为97.86％。获得的巨大性能和系统的简单性（在CCT图像中使用深度学习会导致巨大的计算成本）证明了我们的建议在现实环境中的适用性。然后，根据每个单独分类的可靠性将每个单独补丁的决策组合为一个全局决策：不确定性越低，贡献就越大。在实际场景中评估性能，得出的准确度为97.86％。获得的巨大性能和系统的简单性（在CCT图像中使用深度学习会导致巨大的计算成本）证明了我们的建议在现实环境中的适用性。