基于CoAtNet的增强混合深度学习架构,用于在人胸部X射线中自动检测结核病
Gunjan Siddharth1, Ananya Ambekar1, Naveenkumar Jayakumar2
1School of Computer Science and Engineering, Vellore Institute of Technology, Vellore, Tamil Nadu, India.
BMC medical imaging
|September 27, 2025
概括
本研究提出了一种混合深度学习模型,用于使用胸部X射线 (CXR) 检测结核病 (TB). 人工智能模型实现了高精度,有助于更快,更可靠的结核病诊断.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 结核病 (TB) 构成了严重的全球健康威胁.
- 对于结核病诊断的胸部X射线 (CXR) 的手动解释是耗时且主观的.
- 自动CXR分类可以提高诊断效率和准确性.
研究的目的:
- 开发和评估一种混合深度学习模型,用于从CXR图像中自动检测结核病.
- 将混合模型的性能与基线卷积神经网络 (CNN) 和视觉转换器 (ViT) 的性能进行比较.
- 通过使用本地可解释模型-不可知解释 (LIME) 来提高人工智能驱动的结核病诊断的可解释性.
主要方法:
- 一种混合深度学习方法,利用CoAtNet框架,整合CNN和ViT.
- 在ImageNet数据集上预训练模型,以便进行增强的概括.
- 对IN-CXR结核病数据集的评估,评估二进制分类准确性和ROC-AUC.
- 整合LIME以实现模型可解释性.
主要成果:
- 混合型CoAtNet模型实现了86.39%的二进制分类准确度和93.79%的ROC-AUC得分.
- 拟议的模型在数据集上表现优于基线CNN-only和ViT-only模型.
- LIME为该模型的诊断预测提供了可解释的见解.
结论:
- 混合深度学习模型在CXR自动化TB分类方面表现出强的性能.
- 解释性方法的整合增强了AI在结核病诊断中的临床实用性.
- 这种方法对推进人工智能驱动的医学成像在传染病检测方面具有前景.
