通过卷积神经网络改善临床诊断:开发高精度深度学习模型来区分胸腔病理
Kartik K Goswami1, Nathaniel Tak2, Arnav Wadhawan1
1College of Medicine, California Northstate University, Elk Grove, USA.
Cureus
|August 26, 2024
概括
人工智能提高了医疗诊断的准确性. 一个深度学习模型通过胸部X射线检测肺炎,结核病,心壮病和COVID-19的准确率达到了98.34%.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 计算技术和人工智能 (AI) 越来越多地用于提高医学诊断的准确性和效率.
- 人工智能作为辅助工具可以增强临床决策,提高患者护理质量,降低医疗保健成本.
研究的目的:
- 开发一种使用卷积神经网络 (CNN) 的深度学习模型,以区分正常的胸部X射线与表明肺炎,肺结核,心壮病和COVID-19的X射线.
主要方法:
- 利用Kaggle的12,109张胸部X射线数据集 (3,063张正常,3,098张肺炎,2,920张COVID-19,2,214张心壮病,554张结核病) 来进行培训和验证.
- 实施了CNN来训练一个深度学习模型,以识别胸部X射线中的疾病特定模式.
主要成果:
- 开发的深度学习模型显示了高准确率,其中98.34%的检测是正确的 (意味着1.66%的错误检测).
- 该模型识别模式的能力表明了及时识别疾病的潜力.
结论:
- 这项研究强调了机器学习算法在使用胸部X射线检测疾病方面的巨大潜力.
- 进一步的研究应该集中在使用多样化,标准化的图像数据集和评估在更广泛的条件范围内的性能,以提高模型可靠性.
