面向结核病的机器学习方法比较研究
计算机视觉与模式识别
2025-12-03 v1 人工智能
摘要
本研究探讨了使用机器学习模型——具体而言是预训练的 ResNet-50 模型和通用 SqueezeNet 模型——用于结核病（TB）诊断的 chest X 光片图像。结核病是一种古老且持续影响人类的传染性疾病，在资源有限的地区诊断面临挑战。传统方法如脑脊液镜检和培养效率低下，促使人们探索深度学习和计算机视觉等先进技术。该研究采用 Kaggle 上包含 4200 张胸部 X 光片的数据集，用于开发和比较两种机器学习模型的性能。预处理包括数据划分、增强和调整大小，以提升训练效率。评估指标包括准确率、精确率、召回率和混淆矩阵，用于评估模型性能。结果表明，SqueezeNet 的损失为 32%，准确率为 89%，精确率为 98%，召回率为 80%，F1 分数为 87%。相比之下，ResNet-50 模型的损失为 54%，准确率为 73%，精确率为 88%，召回率为 52%，F1 分数为 65%。该研究强调了机器学习在结核病检测中的潜力，以及将其整合至移动设备以拓展在缺乏结核病检测资源地区实用性的可能性。尽管结果令人鼓舞，但仍需继续开发更快、更小且更精确的结核病检测模型，以助力全球作战结核病的努力。
引用
@article{arxiv.2512.02364,
title = {Tackling Tuberculosis: A Comparative Dive into Machine Learning for Tuberculosis Detection},
author = {Daanish Hindustani and Sanober Hindustani and Preston Nguyen},
journal= {arXiv preprint arXiv:2512.02364},
year = {2025}
}