基于图像的深度学习用于诊断儿科胸部X射线上的菌性肺炎
Xing-Hao Lan1, Yun-Xu Zhang2, Wei-Hua Yuan3
1Radiology department, Children's Hospital of Soochow University, Suzhou, 215025, China.
BMC pediatrics
|November 11, 2024
概括
深度学习模型有效地使用胸部X射线 (CXR) 诊断了儿科菌性肺炎. ResNet50模型显示出高精度,有助于早期病原体查和改善患者预后.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 儿科肺病学 儿科肺病学
背景情况:
- 诊断儿科菌性肺炎在临床上具有挑战性,并影响患者的治疗结果.
- 胸部X射线 (CXR) 对于肺炎诊断至关重要.
- 为儿童肺炎开发准确的诊断工具至关重要.
研究的目的:
- 评估使用CXR.的深度学习模型来诊断儿科菌性肺炎.
- 为了比较不同卷积神经网络 (CNN) 对此任务的性能.
- 评估人工智能在区分菌性肺炎和病毒性肺炎方面的潜力.
主要方法:
- 收集了578名患有菌质体感染的儿童和191名患有病毒感染的儿童的CXR数据.
- 应用了三种深层卷积神经网络 (ResNet50,DenseNet121,EfficientNetv2-S) 来进行分类.
- 使用精度,AUC,灵敏度和特异性评估模型性能,并使用类激活映射 (CAM) 进行解释性.
主要成果:
- 在评估的模型中,ResNet50表现出卓越的性能.
- 在用ZhangLabData.Data进行预训练时,ResNet50在测试集中达到高达83.27%的准确性和0.822 AUC.
- 性能与不同的预培训数据集 (ZhangLabData vs. ImageNet) 不同,突出了培训数据的影响.
结论:
- 具有转移学习的深 convolutional 网络有效地检测出来自 CXR 的 mycoplasma 肺炎.
- 人工智能驱动的计算机辅助检测显示了对肺炎病原体的早期查的希望.
- 这项技术对快速诊断和改善儿科肺炎预后具有重大临床意义.
