在NIH ChestX-Ray14数据集中对Mamba,变压器和CNN架构进行多标签胸部X射线异常检测的比较分析
Erdem Yanar1, Furkan Kutan2, Kubilay Ayturan3
1Department of Healthcare Systems System Engineering, ASELSAN, 06200 Ankara, Turkey.
Diagnostics (Basel, Switzerland)
|September 13, 2025
概括
深度学习模型,包括卷积神经网络 (CNN),变压器和基于Mamba的模型,被比较用于胸部放射分析. 像ConvFormer这样的混合架构在诊断常见和罕见的胸部疾病方面表现出色.
科学领域:
- 医疗成像中的人工智能
- 放射学人工智能研究研究
背景情况:
- 深度学习的进步提高了医学成像诊断的准确性,特别是胸部X射线图 (CXR).
- 评估各种深度学习架构对于优化CXR分析至关重要.
研究的目的:
- 在CXR分析上全面比较14个深度学习模型 (CNN,变压器,基于Mamba) 的性能.
- 确定建筑选择,以提高胸部疾病的诊断准确度.
主要方法:
- 在相同的条件下培训和评估14种不同的深度学习模型.
- 使用NIH大规模的胸部X-ray14数据集,其中包含112,120张标记CXR图像.
- 评估14个常见和罕见的胸部疾病类别的模型性能.
主要成果:
- 混合架构,包括ConvFormer,CaFormer和EfficientNet,表现出卓越的性能.
- 在14个疾病类别中,ConvFormer实现了0.841的最高平均AUROC.
- 特殊的AUROC得分被记录在特定的条件: (0.94),心血管大病 (0.91),胀/溢出 (0.88).
结论:
- 该研究证实了CNN的持久实用性,并强调了基于变压器的架构在医疗图像分析中的日益增长的潜力.
- 为放射学中的各种深度学习模型提供了最先进的基准.
- 为开发用于临床放射学应用的强大的AI系统提供指导.
