一种可解释的混合 AI 框架用于提高结核病和症状检测效果
计算机视觉与模式识别
2025-10-22 v1 人工智能
摘要
结核病仍是全球健康中的重要问题，尤其是在资源有限和偏远地区。早期检测对于治疗至关重要，然而缺乏熟练的放射科医生凸显了人工智能 (AI) 驱动筛查工具的需求。开发可靠的 AI 模型具有挑战性，因为需要大型高质量数据集，而获取这些数据集成本较高。为解决此问题，我们提出了一种教师-学生框架，通过整合两个监督头部和一个自监督头部，增强了胸部 X 光片中疾病和症状检测的能力。我们的模型在区分新冠肺炎、结核病和正常病例方面达到 98.85% 的准确率，在多标签症状检测上获得 90.09% 的宏平均 F1 分数，显著优于基线方法。解释性评估也显示，模型基于相关解剖特征进行预测，展示了在临床筛查和分流场景中部署的潜力。
引用
@article{arxiv.2510.18819,
title = {An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection},
author = {Neel Patel and Alexander Wong and Ashkan Ebadi},
journal= {arXiv preprint arXiv:2510.18819},
year = {2025}
}
备注
16 pages, 3 figures