基于深度学习的EffConvNeXt模型用于囊性支气管炎的自动分类:一种可解释的AI方法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 呼吸系统医学 呼吸系统医学

背景情况:

• 囊性支气管炎和肺炎是影响发病率和死亡率的全球重大健康问题.
• 准确及时诊断这些呼吸道疾病对于改善患者的治疗结果至关重要.
• 胸部X射线 (CXR) 上的重叠特征带来了诊断挑战,需要先进的分析工具.

研究的目的:

• 开发和评估一种新的深度学习模型,EffConvNeXt,用于增强囊性支气管炎,肺炎和CXRs的正常病例的分类.
• 利用结合EfficientNetB1和ConvNeXtTiny的混合方法来提高医疗图像分析的诊断准确性和效率.
• 通过整合它们的优势来解决个别深度学习模型的局限性,以在CXR解释中实现卓越的性能.

主要方法:

• 该研究提出了EffConvNeXt模型,这是一个集成EfficientNetB1和ConvNeXtTiny的混合架构.
• 该模型是使用Dicle大学医学院的5899张CXR图像数据集进行训练和验证的.
• 通过将EffConvNeXt与单个模型 (ConvNeXtiny和EfficientNetB1) 以及其他深度学习模型进行比较来评估性能.

主要成果:

• 个别的ConvNeXtTiny模型实现了97.12%的准确性,而EfficientNetB1实现了97.79%的准确性.
• 拟议的EffConvNeXt模型表现出98.25%的卓越准确率,比最佳单独模型提高0.46%.
• 在对囊性支气管炎和肺炎的CXR图像进行分类方面,EffConvNeXt的表现优于其他经过测试的深度学习模型.

结论:

• 该EffConvNeXt模型提供了一个可靠和自动化的解决方案,用于区分CXRs上的囊性支气管和肺炎.
• 混合深度学习方法提高了诊断准确性,支持呼吸系统疾病诊断中的临床决策.
• 这种先进的模型显示出在临床环境中快速精确分析医学成像的巨大潜力.