胎儿肺炎影像检测：迁移学习与自定义 CNN 的比较研究
计算机视觉与模式识别
2026-01-06 v1 人工智能
摘要
肺炎是儿童五岁以下死亡的主要原因，年均死亡人数超过七十万。来自胸片的准确诊断受限于放射科医生数量和差异性。目标：本研究比较了从头训练的自定义 CNN 与迁移学习（ResNet50、DenseNet121、EfficientNet-B0）用于儿童肺炎检测，评估冻结主干和微调方案。方法：数据集包含 5,216 例儿童胸片，按 8:1:1 分为训练、验证和测试。训练并评估了七个模型，使用准确率、F1 分数和 AUC。Grad-CAM 可视化提供了可解释性。结果：微调的 ResNet50 实现最佳性能：99.43% 的准确率、99.61% 的 F1 分数和 99.93% 的 AUC，仅有 3 例误分类。微调平均优于冻结主干模型 5.5 个百分点。Grad-CAM confirms 临床上相关的肺部区域引导预测。结论：迁移学习与微调在儿童肺炎检测中显著优于从头训练的 CNN，接近完美准确率。该系统在资源受限地区作为筛查工具具有强大潜力。未来工作应在多中心和成人数据集上验证这些发现。
引用
@article{arxiv.2601.00837,
title = {Pediatric Pneumonia Detection from Chest X-Rays:A Comparative Study of Transfer Learning and Custom CNNs},
author = {Agniv Roy Choudhury},
journal= {arXiv preprint arXiv:2601.00837},
year = {2026}
}