推进呼吸道疾病诊断:一种基于深度学习和视觉转换器的方法,使用了新的X射线数据集
Amer Alghadhban1, Rabie A Ramadan2, Meshari Alazmi3
1Electrical Engineering Department, College of Engineering, University of Ha'il, Ha'il, 55476, Saudi Arabia.
Computers in biology and medicine
|June 10, 2025
概括
本研究回顾了深度学习 (DL) 和视觉转换器 (ViT) 用于从X射线分类呼吸系统疾病. 它引入了多样化的数据集,以改善人工智能模型的概括,以便更好地进行医学诊断.
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
- 肺部疾病的诊断 肺部疾病的诊断
背景情况:
- 呼吸系统疾病的蔓延日益增加,需要先进的诊断工具.
- 目前的呼吸道疾病诊断方法通常依赖于传统的成像技术.
- 机器学习,特别是深度学习 (DL) 和视觉转换器 (ViT),在提高诊断准确性方面显示出前景.
研究的目的:
- 系统地审查DL和ViT在使用X射线图像进行呼吸系统疾病分类方面的进展.
- 发现现有研究中的差距,特别是关于数据集多样性和局限性的差距.
- 引入一种新的,多样化的X射线数据集,以提高AI模型的性能和概括性.
主要方法:
- 关于DL和ViT技术在呼吸系统疾病分类中的综合文献综述 (2017-2024年).
- 在公开可用的数据集上使用关键性能指标评估基于DL的模型.
- 来自多家医院的新型多样化的X射线数据集的开发和策划.
主要成果:
- 现有数据集的范围通常是有限的,可能导致模型过拟合和不良概括.
- DL和ViT模型需要广泛而多样化的数据,以获得最佳的培训和现实应用.
- 新推出的数据集包含7867张X射线图像,涵盖49种不同的肺部疾病,解决了数据稀缺问题.
结论:
- 新型数据集预计将显著提高DL和ViT模型的培训和概括能力.
- 解决数据的局限性对于开发强大可靠的AI驱动呼吸道疾病分类系统至关重要.
- 需要进一步的研究来解决数据集偏差,图像质量变化和AI在医学诊断中的临床验证.
