可解释深度学习用于儿童胸部 X 光片肺炎检测
计算机视觉与模式识别
2026-01-16 v1 人工智能
摘要
背景：肺炎仍然是全球儿童发病和死亡的主要原因之一，这凸显了对准确、高效诊断支持工具的需求。深度学习在医学图像分析，特别是胸部 X 光片解读方面显示出巨大潜力。本研究比较了两种最先进的卷积神经网络（CNN）架构用于自动化儿童肺炎检测。方法：使用了一个包含 5,863 张儿童胸部 X 光片的公开数据集。图像通过归一化、尺寸调整和数据增强进行预处理，以增强泛化能力。DenseNet121 和 EfficientNet-B0 使用预训练的 ImageNet 权重在相同的训练设置下进行微调。性能评估采用准确率、F1 分数、马修斯相关系数（MCC）和召回率。模型可解释性通过梯度加权类激活映射（Grad-CAM）和局部可解释模型无关解释（LIME）实现，以可视化影响预测的图像区域。结果：EfficientNet-B0 优于 DenseNet121，准确率达到 84.6%，F1 分数为 0.8899，MCC 为 0.6849。DenseNet121 的准确率为 79.7%，F1 分数为 0.8597，MCC 为 0.5852。两个模型均表现出高于 0.99 的高召回率，表明对肺炎检测具有高灵敏度。Grad-CAM 和 LIME 可视化显示模型持续关注临床相关的肺部区域，支持了模型决策的可靠性。结论：与 DenseNet121 相比，EfficientNet-B0 提供了更平衡且计算效率更高的性能，使其成为临床部署的有力候选者。可解释性技术的集成增强了 AI 辅助儿童肺炎诊断的透明度和可信度。
引用
@article{arxiv.2601.09814,
title = {Explainable Deep Learning for Pediatric Pneumonia Detection in Chest X-Ray Images},
author = {Adil O. Khadidos and Aziida Nanyonga and Alaa O. Khadidos and Olfat M. Mirza and Mustafa Tahsin Yilmaz},
journal= {arXiv preprint arXiv:2601.09814},
year = {2026}
}