一种新的超轻型卷积神经网络模型,用于实时检测传染性肺部疾病

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
• 传染病诊断 传染病诊断 传染病诊断

背景情况:

• 早期发现传染性肺病对于有效治疗至关重要.
• 现有的诊断解决方案面临着像图像特异性,概括性,过度拟合和偏差等局限性.
• 要克服这些挑战,需要一个强大而可通用的模型.

研究的目的:

• 利用CT扫描和X射线图像开发传染性肺部疾病的早期检测模型.
• 为了提高模型的稳定性和可泛化性,在不同的临床环境中.
• 解决现有诊断工具的局限性.

主要方法:

• 开发了一个卷积神经网络 (CNN) 模型,参数较少.
• 美国有线电视新闻网 (CNN) 的模型是用大型增强数据集进行训练的,包括COVID-19,肺炎和结核病例.
• 一个生成对抗网络 (GAN) 用于模型验证和合成图像生成.

主要成果:

• 该模型表现出高性能,平均准确率为97.93%,平均AUC为98.07%.
• 关键性能指标包括平均灵敏度为98.46%,特异性为97.03%,精度为97.45%,F1得分为97.95%.
• 该模型轻量级,易于解释,并支持实时检测.

结论:

• 拟议的CNN模型为实时的各种医学成像类型提供了验证和概括功能.
• 对比分析显示了该模型与当前研究相比的先进性能.
• 该模型与临床系统和物联网设备的集成是可行的.