[论文解读] Classification of Pneumonia and Tuberculosis from Chest X-rays

Muhammad Abubakar, Imam Ali Shah+2 more|arXiv (Cornell University)|Mar 25, 2021

COVID-19 diagnosis using AI参考文献 3被引用 5

一句话总结

本文提出了一种基于深度学习的系统，利用卷积神经网络（CNN）从胸部X光片中分类肺炎和结核病，实现了在区分正常与异常X光片方面92.97%的准确率。该模型支持双重疾病检测，为放射科医生提供一种快速、人工智能辅助的诊断工具，有助于在资源有限的环境中提高效率和决策能力。

ABSTRACT

Artificial intelligence (AI) and specifically machine learning is making inroads into number of fields. Machine learning is replacing and/or complementing humans in a certain type of domain to make systems perform tasks more efficiently and independently. Healthcare is a worthy domain to merge with AI and Machine learning to get things to work smoother and efficiently. The X-ray based detection and classification of diseases related to chest is much needed in this modern era due to the low number of quality radiologists. This thesis focuses on the classification of Pneumonia and Tuberculosis two major chest diseases from the chest X-rays. This system provides an opinion to the user whether one is having a disease or not, thereby helping doctors and medical staff to make a quick and informed decision about the presence of disease. As compared to previous work our model can detect two types of abnormality. Our model can detect whether X-ray is normal or having abnormality which can be pneumonia and tuberculosis 92.97% accurately.

研究动机与目标

• 开发一种基于机器学习的自动化系统，用于从胸部X光片中检测肺炎和结核病。
• 通过提供人工智能辅助的诊断工具，解决资源有限的医疗环境中合格放射科医生短缺的问题。
• 通过实现两种主要胸腔疾病的早期检测，提高诊断速度和准确性。
• 构建一个能够将X光片分类为正常或异常，并具体识别肺炎或结核病的模型。
• 通过为医疗专业人员提供可靠、数据驱动的第二意见，支持临床决策制定。

提出的方法

• 采用卷积神经网络（CNN）作为核心深度学习架构，用于特征提取和分类。
• 该模型在包含正常、肺炎和结核病病例的胸部X光片数据集上进行训练。
• 应用图像预处理技术以标准化输入数据，提升模型的泛化能力。
• 使用预训练模型进行迁移学习，以在有限的医学影像数据上提升性能。
• 采用多类别分类头，以区分三类：正常、肺炎和结核病。
• 使用准确率等标准指标进行模型评估，重点关注整体分类性能。

实验结果

研究问题

• RQ1 深度学习模型能否准确地将胸部X光片分类为正常、肺炎和结核病三类？
• RQ2 与以往方法相比，该模型在准确率和多病种检测能力方面表现如何？
• RQ3 该模型在多大程度上能够帮助放射科医生加快并做出更明智的诊断决策？
• RQ4 该模型在仅使用X光片的情况下，区分两种主要肺部疾病的表现如何？
• RQ5 该模型能否在缺乏放射科医生的资源有限的环境中有效部署？

主要发现

• 所提出的模型在区分正常与异常胸部X光片方面实现了92.97%的分类准确率。
• 该系统成功检测出肺炎和结核病，实现了单一框架下的双重疾病分类。
• 该模型在从标准X光片中识别与肺部感染相关的异常模式方面表现出色。
• 结果表明，人工智能辅助分类可显著支持临床工作流程，特别是在放射科医生短缺的地区。
• 该模型的高准确率表明其有潜力集成到远程医疗和初级 care 设置中，用于早期诊断。
• 本研究证实了使用深度学习从放射影像中实现多类别胸腔疾病分类的可行性。