编辑推荐：
胸部 X 线（CXR）解读依赖专家且耗时，深度学习分类性能高但可解释性不足。研究人员提出 CLN 多任务网络，在 ChestX-ray14 子集上实现分类平均 AUC 0.918、定位平均 IoU 0.855，优于现有方法，为辅助诊断提供新方案。
在医学影像领域，胸部 X 线（CXR）作为常用且经济的检查手段，广泛用于多种疾病的检测。然而，其准确解读需要专业放射科医生，过程耗时且易受主观因素影响，存在漏诊或误诊风险。同时，尽管深度学习方法在 CXR 图像分类中表现出色，但 “黑箱” 特性导致医生难以信任其决策，可解释性不足成为临床应用的主要障碍。如何提升模型的可解释性，让医生直观看到病变位置，成为推动 AI 在医学影像中落地的关键问题。此外，现有一些方法计算复杂度高，在资源有限的临床环境中推广困难。
为解决上述问题，国外研究机构的研究人员开展了胸部 X 线图像定位与分类的研究。他们提出了胸部 X 线定位网络（CLN），这是一种多任务深度神经网络，旨在实现 CXR 图像中病理的定位与分类。该研究成果发表在《Expert Systems with Applications》。
研究人员采用的主要关键技术方法包括：基于预训练的卷积神经网络（CNN）作为主干网络，在包含 14 种病理的大型 CXR 数据集上进行微调；主干网络后接两个并行分支，分别用于病理分类和通过回归预测边界框实现病理定位；在 NIH ChestX-ray14 数据集的子集上进行训练和评估，该子集包含标注了 8 种病理边界框的 CXR 图像。
研究结果
- 模型性能评估：通过对 CLN-ResNet50V2、CLN-EfficientNetB4 等六种变体的评估，发现 CLN-CheXNet 在定位和分类之间取得了最佳平衡。在分类任务中，八种病理的最大分类平均 AUC 分数达到 0.918；在定位任务中，最大定位平均 IoU（交并比）精度为 0.855。
- 与现有方法对比：CLN 在定位和分类任务上均优于最先进的方法。相比基于 CNN 和 Transformer 的方法，其优势显著，不仅在分类和定位精度上更优，而且随着 IoU 阈值的增加，性能下降更慢，同时架构更简单。
结论与讨论
CLN 的提出为 CXR 图像的计算机辅助诊断提供了一种可靠的解决方案。其核心价值在于：通过直接预测病变的边界框，实现了病理的可视化定位，显著提升了模型的可解释性，有助于医生理解和信任 AI 的诊断结果，缓解了 “黑箱” 模型的信任危机；在保证高性能的同时，采用相对简单的架构，避免了复杂网络带来的高计算资源需求和长训练时间，更适合临床环境的实际部署；在多个病理的分类和定位任务中表现出色，为辅助放射科医生提高诊断效率和准确性提供了有力支持，有望在临床筛查、远程诊断等场景中发挥重要作用，推动 AI 在医学影像领域的实际应用。该研究为后续 CXR 图像分析的研究提供了新的思路和方法，具有重要的学术和临床应用价值。
