综述：通过具有截断目标的稳定策略优化技术，提升胸部X光片中自动化结核病检测的准确性

《Indian Pacing and Electrophysiology Journal》：Advancing Automated Tuberculosis Detection in Chest Radiographs through Stable Policy Optimization with Clipped Objectives

tuberculosis自动检测;强化学习优化;成本敏感决策;胸片分析算法;PPO-Clip模型

　　

阿努普·加德（Anup Gade）| 阿莫尔·博伊特（Amol Bhoite）| 巴拉蒂·P·瓦斯吉（Bharati P. Vasgi）| 阿南塔·雷迪·达萨里（Anantha Reddy Dasari）| 马克斯达贝克·巴巴贾诺夫（Maksadbek Babajanov）| 扎米拉·阿塔穆拉托娃（Zamira Atamuratova）

信息技术系，图尔西拉姆吉·盖克瓦德·帕蒂尔工程与技术学院（Tulsiramji Gaikwad Patil College of Engineering & Technology），印度马哈拉施特拉邦那格浦尔（Nagpur, Maharashtra, India）

摘要

从胸部X光片中自动检测结核病是一个根本性难题，这源于数据的不平衡性质以及临床误分类的严重后果。在这项研究中，我们提出了一种名为“剪裁近端策略优化”（Clipped Proximal Policy Optimization, PPO）的新优化方法，用于提高计算机辅助的结核病筛查效果。首先，我们通过对Z分数标准化后的224×224图像进行迁移学习，预训练深度卷积神经网络（DenseNet201或ChexNet），并评估该模型在二元结核病分类上的性能。这一过程分为两个步骤：首先将基线分类器转换为强化学习（Reinforcement Learning, RL）代理，其行动对应于诊断医生的决策，并且奖励函数明确惩罚假阴性结果和不必要的转诊行为。对比实验表明，PPO-剪裁方法在准确性、F1分数、ROC曲线下面积以及保留的测试图像中的累积误分类成本方面均优于传统的监督学习方法。消融实验的结果证实，策略优化能够实现更高效且更稳健的诊断系统，尤其是在高风险或不平衡的数据场景中。我们的研究结果支持将剪裁目标强化学习（clipped-objective RL）作为深度放射学分类流程的组成部分，以提高结核病分诊的安全性和临床可行性。

引言

在早期阶段检测结核病（TB）是一个全球性的健康挑战，尤其是在资源有限、当地放射科医生不足且疾病负担沉重的地区。胸部X光片常用于结核病筛查，基于深度学习的卷积神经网络（CNN）在提高自动检测性能的同时显著减轻了医生的诊断负担。然而，过度诊断和漏诊对结核病病例检测和转诊的影响表明，需要开发一种能在资源限制下平衡诊断敏感性和效率的模型。本研究通过将成本敏感的策略优化集成到结核病检测流程中来解决这一限制。

鉴于结核病仍然是一个全球性的健康问题，尽管分子诊断技术有所进步，新的抗结核药物也在不断研发中，但快速且可扩展的诊断方法（如基于胸部X光筛查或人工智能的方法）仍然十分必要。传统的分类器由于类别或疾病罕见性导致灵敏度较低，与漏诊相关的临床成本较高，且可能无法有效识别随着输入数据量增加而演变出的疾病模式。当前最先进的人工智能方法虽然平均准确率较高，但往往忽略了成本敏感性，而这在高风险领域尤为重要。因此，迫切需要开发出能够降低误分类成本、在实际结核病筛查环境中表现更可靠的策略优化诊断系统。

该图（1）直观地总结了在胸部X光片中使用自动化和策略优化方法进行结核病检测的合理性，强调了数据不平衡、诊断风险以及先进AI诊断系统的必要性。

本研究将结核病检测视为一个成本敏感的序列决策过程，采用带有剪裁目标的近端策略优化（PPO-Clip）方法。与传统基于成本的分类器或静态策略优化方法不同，该方法根据临床误分类成本动态调整决策边界，通过强化学习循环实现较低的假阴性率，同时保持可解释性和优化稳定性。

在本研究中，我们致力于开发一个自动化的胸部X光分析框架，该框架利用深度卷积神经网络（CNN）并结合稳定的策略优化来准确预测结核病严重程度。具体而言，我们的目标是通过强化学习将分类过程转化为成本敏感的决策过程，从而提高诊断准确性并降低高风险误分类成本。性能评估指标包括准确性、ROC曲线下面积（AUC）、F1分数和决策成本比（DCR）。本研究旨在解决诊断护理部署和一致性方面的问题，因为研究结果是根据基于人工智能的结核病筛查标准进行评估的。

材料与方法

我们使用了包含700个结核病胸部X光数据集和3500个正常案例的数据库，这些数据集附带了受试者ID、性别和年龄等元数据。图像被调整为224×224像素，并使用Z分数进行标准化处理和对比度限制的自适应直方图均衡化。分类步骤之前，对所有数据进行了预处理。随后，使用分组分层五折交叉验证方法对训练好的分类器进行了测试。

结果

该表（2）总结了监督基线和PPO策略优化代理的主要分类及成本敏感性能指标。

我们发现，在所有测试的任务分布中，PPO-Clip代理在准确性、精确度、召回率和ROC曲线下面积方面均优于标准监督基线；此外，其决策成本比降低了至少一个数量级。

与现有方法的对比

将监督基线的性能与PPO-Clip代理在核心性能指标上的表现进行了比较，结果与最近系统评价和关于人工智能方法在结核病检测领域的文献进行了对比。PPO-Clip代理在准确性、精确度和召回率方面均优于基线，进一步降低了总误分类成本。

讨论

我们的研究表明，将成本敏感的强化学习策略优化作为预训练模型应用于胸部X光片中的结核病检测，可以在资源匮乏的环境中显著提升自动检测效果。与传统模型相比，PPO-Clip代理在敏感性、总体准确性和门诊患者管理方面表现更优。对于患者安全和早期结核病检测而言，这些改进尤为重要。

结论

结论：采用带有剪裁目标的稳定策略优化方法可以提高胸部X光片中结核病检测的准确性、召回率和决策成本效率。所提出的PPO-Clip代理将加权误分类成本降低了15%，同时保持了较高的精确度和F1分数。与最新系统评价中的基准相比，我们的方法实现了更灵敏、更注重成本的诊断系统。

未引用的参考文献

2.; 4.; 13.

伦理批准

本研究未涉及任何作者对人类参与者或动物进行的实验。

数据可用性

本研究使用的数据是公开可获取的。

人工智能使用声明

作者声明在本研究中未使用人工智能工具来生成、分析或解释科学数据。所有知识产权、方法论和结论均为作者本人负责。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。