结合SqueezeNet和机器学习方法的最佳模型,用于肺部疾病诊断
Abdallah Maiti1, Abdallah Abarda2, Mohamed Hanini1
1Laboratory of Computing, Networks, Mobility and Modelling (IR2M) FST, Hassan First University of Settat, Morocco.
Current medical imaging
|November 30, 2023
概括
这项研究引入了一个人工智能模型,用于将肺部疾病与X射线区分开来,实现高精度,有效的嵌入式系统的参数显著减少.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 机器学习用于疾病诊断和诊断
背景情况:
- 人工智能 (AI) 正在改变医疗保健,特别是医学成像,通过提高诊断准确度和使患者自我诊断.
- 尽管机器学习数据集的实用性,但使用胸部X射线区分类似的肺部疾病仍然存在挑战.
- 整合人工智能为改善医疗保健结果和运营效率提供了潜力.
研究的目的:
- 提出一种能够区分,诊断和分类三种不同疾病的新型人工智能模型,其症状与胸部X射线非常相似.
- 为了减少人工智能模型中的参数数量,同时保持在嵌入式系统中应用的高诊断精度.
主要方法:
- 拟议的模型将SqueezeNet神经网络架构与机器学习分类器集成在一起:逻辑回归,支持向量机 (SVM),k-最近邻居 (KNN),决策树和天真贝叶斯.
- 使用了胸部X射线 (CXR) 图像的数据集,分为四类:肺炎,结核病,COVID-19和正常病例.
主要成果:
- 人工智能模型实现了高性能指标:97.32%的准确性,97.33%的精度,97.31%的F1得分,97.30%的回忆和99.40%的AUC.
- 与现有的最先进模型 (4700万) 相比,该模型使用了显著减少的参数数量 (4,600万).
结论:
- 开发的AI模型显示了强大的分类准确性,用于区分肺部疾病.
- 该模型的参数数量减少导致内部内存和计算资源需求降低,使其适用于嵌入式系统.
