深度学习助力胸部 X 光片自动诊断：创新模型提升肺部疾病诊断精度

研究人员针对肺部疾病诊断难题，开展胸部 X 光片深度学习分类研究，模型精度高，助力医疗诊断。

　　# 深度学习在胸部 X 光片诊断中的创新突破：精准识别肺部疾病
在全球范围内，肺部疾病始终是威胁人类健康的重要因素。自 2019 年底 COVID-19 疫情爆发以来，其迅速蔓延给世界带来了巨大挑战。截至 2023 年 12 月，全球确诊病例高达 772,386,069 例，死亡人数达 6,987,222 例。COVID-19 不仅症状多样，如发热、干咳、呼吸急促等，还可能引发严重的并发症，像心力衰竭、肺炎等，而这些正是导致患者死亡的主要原因。

目前，COVID-19 的诊断金标准是逆转录聚合酶链反应（RT-PCR），但它存在检测时间长（最长可达 2 天）、灵敏度低（约 60 - 70%）以及假阴性率高等问题。计算机断层扫描（CT）和胸部 X 光片（CXR）等影像学技术成为了替代方案。然而，CT 也有诸多弊端，比如设备不可移动，存在病毒传播风险；辐射剂量高；成本高昂且对操作人员专业要求高，在农村地区难以普及。相比之下，CXR 具有成本低、辐射剂量小、筛查速度快等优点，在肺部疾病的早期诊断中发挥着关键作用。

但 CXR 也并非完美无缺。由于解剖结构和组织结构在投影方向上存在重叠，解读 CXR 图像对医生的技能和经验要求极高。而且，大量的 CXR 图像增加了医生的工作量，容易导致误诊，据估计，放射科医生在日常工作中的 “实时” 误诊率平均为 3 - 5%。为了解决这些问题，来自土耳其巴斯肯大学（Baskent University）、哈杰泰佩大学（Hacettepe University）的研究人员 Burcu Oltu、Selda Güney 等人开展了一项研究，相关成果发表在《BMC Medical Imaging》杂志上。

研究人员提出了一种基于注意力机制的端到端深度学习（DL）网络，该网络结合了视觉 Transformer（ViT）和 DenseNet201，旨在实现对 COVID-19、肺不透明（Lung Opacity）、病毒性肺炎（Viral Pneumonia）和正常胸部 X 光片的准确分类。

在技术方法上，研究人员使用了开源的 COVID-19 Radiography Database 数据集，该数据集包含 COVID-19、病毒性肺炎、肺不透明和正常四类图像，共计 21,165 张。为了评估模型性能，研究采用了五折交叉验证的方法。在模型构建方面，以预训练的 DenseNet201 为基础进行特征提取，其包含 201 个卷积层，能有效提取空间特征。同时，将 ViT 引入模型，利用其注意力机制捕捉长距离依赖关系。此外，通过全局平均池化（GAP）增强特征表示，减少维度并保留关键空间信息。最终构建的模型在 Google Colab Pro 平台上，基于 TensorFlow 框架进行训练和测试。

研究结果主要包括以下几个方面：

1. 分类结果优异：模型在各类疾病的检测中表现出色。在五折交叉验证中，整体准确率高达 97.87%。其中，COVID-19 的检测准确率为 99.44%，精确率为 99.24%；肺不透明的准确率为 96.45%；病毒性肺炎的准确率为 99.63%；正常病例的准确率为 95.97%。从混淆矩阵和受试者工作特征曲线（ROC）来看，模型对 COVID-19 和病毒性肺炎的分类误差极小，COVID-19 和病毒性肺炎在每折交叉验证中的 AUC 均达到 1.0，肺不透明和正常病例的 AUC 为 0.99。不过，正常和肺不透明的 CXRs 有时会出现混淆，可能是因为轻度肺不透明的图像与正常图像相似，且数据集缺乏病理学严重程度信息。
2. 模型可解释性增强：为了提高模型的可解释性，研究人员使用了梯度加权类激活映射（Grad-CAM）算法。该算法通过突出模型在做出预测时关注的图像区域，直观展示了模型的决策过程。例如，在不同类别的 CXR 图像上，Grad-CAM 生成的热图能够清晰显示出模型重点关注的区域，帮助研究人员理解模型如何识别不同疾病。
3. 消融研究验证有效性：通过消融研究评估模型各组件的贡献。结果表明，单独使用 ViT 时，准确率为 94.20%；单独使用 DenseNet201 时，准确率为 97.52%；将 DenseNet201 和 ViT 结合但不使用 GAP 时，准确率提升至 97.53%。而最终提出的包含 DenseNet201、ViT 和 GAP 的模型，在各项指标上都有显著提升，准确率达到 97.87%，充分证明了该模型的有效性和优越性。

研究结论和讨论部分指出，该研究提出的 DL 框架在区分 COVID-19、肺不透明、病毒性肺炎和正常 CXRs 方面表现卓越，优于以往许多研究成果。但研究也存在一定局限性，如公开数据集可能无法完全反映真实临床场景的多样性，模型在实际应用中可能面临成像条件、扫描仪设置和患者人口统计学差异等挑战。未来研究计划通过增加训练数据量、使用更复杂的分类任务、采用多中心临床数据集验证等方式，进一步提升模型性能，开发更强大的决策支持系统，为临床诊断提供更可靠的帮助，减轻临床医生的工作负担，提高诊断准确性。