利用深度学习改善欠发达国家肺炎的早期诊断

尽管技术与医学不断进步，但许多国家仍因成本高昂和缺乏合格的医务人员而无法获得优质的医疗保健。这种医疗保健上的差距导致了许多本可预防的死亡，其原因要么是未能检出，要么是缺乏照护。肺炎是世界上最流行的疾病之一，这是一种肺部感染，2017年在全球造成256万人死亡。同年，美国记录的肺炎死亡率为每10万人15.88人，而撒哈拉以南非洲的大部分地区（如乍得和几内亚）的死亡率超过每10万人150人。在撒哈拉以南非洲，医生和护士极度短缺，估计约为240万人。本研究所检验的假设是，深度学习模型可以接收X射线形式的输入，并与预先诊断的图像相比，产生与医生同等准确度的诊断。本项目使用的模型是改进的卷积神经网络。该模型在包含2000张具有预定正常和异常肺部表现的X射线图像集上进行训练，随后在包含400张图像的测试集上进行测试，该测试集包含均等分配的肺炎和健康肺部图像。对于每次计算机运行测试，收集了以准确度为基础测量指标的数据，以及特异性和敏感性等更具体的指标。结果表明，所测试的算法能够平均82.5%的时间准确识别异常肺部表现。该模型分别达到了98.5%的最大特异性和90%的最大敏感性，这两个指标的最高同时取值为90%的敏感性和78.5%的特异性。通过测试其他深度学习模型以及机器学习模型来提高指标得分和正确诊断的概率，可以进一步改进本研究。