KD-SqueezeNet:新生児肺疾患のマルチタスク診断のための効率的なディープラーニング戦略
Jie Li1,2, Renyi Pan3, Fa Tian4
1The Department of Radiology, Second Affiliated Hospital and Yuying Childrens Hospital of Wenzhou Medical University, Xueyuan West Road, Wenzhou, 325027, China.
Pediatric radiology
|February 20, 2026
まとめ
この研究では,乳房X線から新生児の肺疾患を分類するための軽量なディープラーニングモデルであるKD-SqueezeNetを導入し,診断を改善するために高精度と効率を達成しました.
科学分野:
- メディカルイマージング (医学イメージング)
- 人工知能 (AI) とは,人工知能 (AI) のことです.
- 新生児保健医療について
背景:
- ディープラーニングモデルは,医学画像分類において専門家レベルのパフォーマンスを示しています.
- 胸部X線写真による新生児の肺疾患の正確な分類は,適切な介入に不可欠です.
研究 の 目的:
- 新生児の肺疾患を分類するための軽量で解釈可能なディープラーニングモデルであるKD-SqueezeNetを開発する.
- 新生児の呼吸器状態の評価における診断の正確性と効率性を高めるために.
主な方法:
- 2,089人の新生児の胸部X線写真の遡及的分析が行われました.
- 胸部放射線は5つのグループに分けられた: 支柱肺不形成症,肺炎,肺胸炎,呼吸器障害症候群,および正常.
- KD-SqueezeNetモデルは, 8:1:1のデータ分割を使用してトレーニングおよび検証され,性能は精度,精度,リコール,F1スコア,AUROCを使用して評価されました.
主要な成果:
- KD-SqueezeNetは,新生児の肺疾患の分類において,EfficientNetやVision Transformerなどの他のモデルを上回った.
- バイナリー分類 (健康/病気) については,KD-SqueezeNetは93%の精度,精度,リコール,F1スコアを達成し,AUROCは0.97.
- 4つのクラスの分類では,モデルが86%の精度,精度,リコール,およびF1スコアを達成し,高クラスの特定のAUROCは0.94から0.97.9まででした.
結論:
- KD-SqueezeNetは,新生児の肺疾患を診断するための計算効率の良い,正確なソリューションを提供します.
- モデルの解釈性と性能は,迅速な臨床展開に適し,意思決定を支援し,患者のアウトカムを改善します.
- KD-SqueezeNetは,大規模なスクリーニングにおいて重要な臨床的価値を示し,臨床医を支援しながら,時間とリソースを節約します.
