可扩展的单模和多模深度学习用于多标签胸部疾病检测:比较分析.
Diğdem Orhan1, Murat Ucan2, Reda Alhajj3,4,5
1Department of Computer Engineering, Firat University, Elazig 23119, Turkey.
Diagnostics (Basel, Switzerland)
|March 14, 2026
概括
综合胸部X射线和临床数据的多模式深度学习模型显著提高了多标签疾病分类准确性,而不是仅图像方法. 较大的数据集增强了模型的概括性,减少了性能差异,有助于诊断.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 计算病理学计算病理学
背景情况:
- 准确的胸部疾病诊断是具有挑战性的,特别是与共存的病理.
- 当前的深度学习模型经常使用单模数据,限制了临床适用性.
- 这项研究通过比较单模和多模深度学习来对胸部疾病进行分类来解决局限性.
研究的目的:
- 为了比较单模和多模深度学习模型用于多标签胸部疾病分类.
- 评估数据集规模对模型性能和通用性的影响.
- 评估将胸部X射线图像与临床元数据相结合的有效性.
主要方法:
- 开发了使用ResNet50,EfficientNetB3和DenseNet121架构的12个深度学习模型.
- 配置模型用于单模式 (仅图像) 和多模式 (图像 + 临床数据) 的学习.
- 在两个NIH胸部X射线数据集尺度 (5,606和121,120个样本) 上使用AUROC指标评估模型.
主要成果:
- 多模式模型在所有架构和数据集大小中始终优于单模式模型.
- 性能改进在较大的数据集中更为显著.
- 增加的数据量增强了模型的概括性,降低了性能差异,特别是在罕见疾病方面.
结论:
- 多模式深度学习有效地提高了胸部疾病的诊断准确性.
- 将临床数据与医疗图像集成,可以改善多标签分类.
- 这些发现支持开发强大的临床决策支持系统,以评估胸部疾病.