基于深度学习架构的单标签胸片多疾病分类比较分析
图像与视频处理
2026-03-18 v1 人工智能
计算机视觉与模式识别
摘要
胸片成像仍是全球肺部和心脏疾病诊断的首要工具,但因放射科医生短缺和观察者间变异性而限制了其准确性。本研究系统性评估了七种深度学习架构用于单标签胸病多分类:ConvNeXt-Tiny、DenseNet121、DenseNet201、ResNet50、ViT-B/16、EfficientNetV2-M和MobileNetV2。构建了平衡数据集,包含18,080张跨越五个疾病类别(心肌大血管扩张、COVID-19、正常、肺炎和结核)的胸片图像,按患者水平进行分区,以防止数据泄漏。所有模型在相同条件下训练,使用ImageNet预训练权重、标准预处理和一致的超参数。所有七种架构均超过90%的测试准确率。ConvNeXt-Tiny实现最佳性能(92.31%准确率,95.70% AUROC),而MobileNetV2则是最具参数效率的模型(3.5M参数,90.42%准确率,94.10% AUROC),训练耗时48分钟。结核和COVID-19分类几乎完美(AUROC≥99.97%),而正常、心肌大血管扩张和肺炎因发育特征重叠而具有更大挑战。Grad-CAM可视化确认了各疾病类别的临床一致注意模式。这些发现表明,在不产生过度计算资源的情况下,可实现高准确率的胸片多疾病分类,为资源丰富和资源受限医疗环境中的AI辅助诊断提供重要意义。
引用
@article{arxiv.2603.13392,
title = {Comparative Analysis of Deep Learning Architectures for Multi-Disease Classification of Single-Label Chest X-rays},
author = {Ali M. Bahram and Saman Muhammad Omer and Hardi M. Mohammed},
journal= {arXiv preprint arXiv:2603.13392},
year = {2026}
}
备注
19 pages, 9 figures, 12 tables. Published in Charmo Journal of Natural Sciences and Technologies (CJNST), 2026