LightPneumoNet：轻量级肺炎分类器

肺炎诊断常面临在资源受限环境中部署大型计算密集型深度学习模型的困难。本研究引入 LightPneumoNet，这是一个从零构建的高效轻量级卷积神经网络 (CNN)，用于从胸 X 光片中提供可访问且准确的诊断解决方案。该模型在 5,856 张胸 X 光片的公开数据集上进行训练。预处理包括将图像调整大小至 224x224、灰度化和像素归一化，并采用数据增强 (旋转、缩放、剪切) 防止过拟合。该定制架构包含四组堆叠卷积层，仅包含 388,082 个可训练参数，仅占 1.48 MB 的内存 footprint。在独立测试集上，该模型实现了卓越的性能，达到 0.942 的总体准确率、0.92 的精确率和 0.96 的 F1 分数。关键的是，它获得了 0.99 的灵敏度 (召回率)，显示出几乎完美的能力来识别真实的肺炎病例并最小化临床上重要的假阴性。值得注意的是，LightPneumoNet 在同一数据集上实现了高召回率，而现有方法通常需要更重的架构或无法达到相当的灵敏度。该模型的高效性使其能够在低成本硬件上部署，使资源匮乏地区的诊所能够获得高级计算机辅助诊断，作为可靠的第二意见工具以改善患者预后。