MCADS:使用多标签深度学习同时检测和分析18个胸部放射性异常
Paulius Bundza1, Justas Trinkūnas1
1Department of Information Systems, Faculty of Fundamental Sciences, Vilnius Gediminas Technical University, 10223 Vilnius, Lithuania.
Diagnostics (Basel, Switzerland)
|February 27, 2026
概括
一个新的AI系统,多标签胸部异常检测系统 (MCADS),快速选胸部X射线18个异常. 这种深度学习工具有助于放射科医生,提高诊断速度和患者护理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是指放射学
背景情况:
- 胸部X射线非常重要,但耗时,面临着放射科医生短缺的问题.
- 胸部X射线的延迟解释可能导致治疗延迟.
研究的目的:
- 引入多标签胸部异常检测系统 (MCADS).
- 开发一个深度学习平台,用于自动检测18个放射性异常.
- 解决胸部X射线解释的诊断挑战.
主要方法:
- 使用一个预训练的DenseNet121卷积神经网络 (通过TorchXRayVision).
- 在中央服务器上实现异步图像处理.
- 雇员梯度加权类激活映射 (Grad-CAM) 为了解释性.
- 在八个大型的公共数据集上进行评估.
主要成果:
- 在所有18个条件下实现了高面积下曲线性能.
- 提供精确的,多条件分析在每张图像不到30秒.
- 证明了适合临床环境的可靠性和速度.
结论:
- MCADS加速胸部X射线解释,提供快速,可靠和可解释的查.
- 有潜力减少放射科医生的工作量和诊断延迟.
- 在数据驱动的医疗保健中提供改善患者护理的途径.
关键词:
这是Grad-CAM.在TorchXRayVision中使用.自动化诊断自动化诊断胸部X射线扫描 胸部X射线扫描卷积神经网络 (CNN) 是一种神经网络.深度学习是一种深度学习.诊断成像诊断成像的使用.医疗图像分析分析多个标签的分类.
