胸部X射线的全面细分改善了基于深度学习的世界卫生组织在儿童中通过放射学确认的肺炎诊断

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 儿童肺炎的诊断 儿童肺炎的诊断

背景情况:

• 肺炎仍然是全球儿童死亡的主要原因.
• 准确及时诊断儿科肺炎对于有效治疗至关重要.
• 目前的诊断方法,包括胸部X射线 (CXR),可以从先进的分析技术中受益.

研究的目的:

• 研究综合胸部X射线 (CXR) 分段对儿童基于深度学习的肺炎诊断的影响.
• 根据世界卫生组织 (WHO) 标准,评估一种新的细分方法在提高诊断准确性的有效性.
• 提高儿童肺炎检测深度学习模型的可解释性.

主要方法:

• 一项涉及4400名参与者的横截面研究使用RA-UNet对CXR进行了分析,以对六个解剖区域进行全面细分.
• 用细分和非细分的CXR来训练CBAM-ResNet模型进行三类分类 (肺炎,其他透物,正常).
• 用Grad-CAM评估模型的解释性,以可视化肺炎病变的局部化.

主要成果:

• 在RA-UNet实现了高分段精度 (平均DSC=0.9639).
• 使用综合细分的CBAM-ResNet模型显示出卓越的诊断性能,准确度,精度,特异性,灵敏度和F1得分增加了约6%,AUC增加了3%.
• 格拉德-CAM可视化准确捕捉了肺炎病变,提高了模型的解释性和研究可靠性.

结论:

• 对CXR的全面细分显著改善了儿童的基于深度学习的肺炎诊断.
• 这种方法支持更标准化的WHO肺炎放射性分类,超越了传统的二分类分类.
• 这些发现为将计算机辅助诊断纳入儿科肺炎分类和疫苗疗效试验奠定了基础.