通过稳定的政策优化和切割的目标,在胸部放射图中推进自动肺结核检测
Anup Gade1, Amol Bhoite2, Bharati P Vasgi3
1Department of Information Technology, Tulsiramji Gaikwad Patil College of Engineering & Technology, Nagpur, Maharashtra, India.
The Indian journal of tuberculosis
|December 16, 2025
概括
这项研究引入了剪切的近接政策优化 (PPO),以改善从胸部X射线自动检测结核病. 这种新的强化学习方法在不平衡的数据集中提高了诊断准确性和效率.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 从胸部X射线图中自动检测结核病是具有挑战性的,因为数据不平衡和错误分类的高成本.
- 现有的方法在结核病查中的临床决策细微差别上扎.
研究的目的:
- 提出一种新的优化方法,切割近接政策优化 (PPO),用于计算机辅助结核病查中的成本敏感的顺序决策处理.
- 通过使用深度放射学分类管道提高结核病选的性能和临床可行性.
主要方法:
- 预训练深层卷积神经网络 (DenseNet201或ChexNet) 使用Z-score正常化胸部X射线图像上的转移学习.
- 将基线分类器转换为强化学习 (RL) 代理,其动作代表诊断决策,并具有惩罚假负和不必要转介的奖励函数.
- 在二进制结核病分类任务中评估PPO-clipped方法.
主要成果:
- 与标准的监督学习相比,PPO剪切方法显示了更好的准确性,F1得分和ROC曲线下的面积.
- 在持有的测试图像中观察到较低的累积错误分类成本.
- 废弃实验证实,政策优化导致资源效率更高和更强大的诊断,特别是在高风险或不平衡的场景中.
结论:
- 通过PPO实施的剪切目标RL显著增强了从胸部X射线自动检测结核病的功能.
- 这种方法提高了诊断安全性和临床可行性,为不平衡数据集中的结核病分拣提供了强大的解决方案.


