基于深度学习的儿童肺炎检测模型建立及应用

摘要

目的:基于深度学习根据儿童胸部X光正位数字影像构建肺炎自动判别模型,辅助临床诊断,提高影像诊断效率。方法:首先通过选取公开数据集5856张儿童胸片(肺炎4273张,正常1583张),分为训练集、验证集和测试集,基于Resnet-50神经网络构建儿童肺炎自动判别模型,利用验证集选取最优模型,在测试集上做内部独立验证。进一步收集6家医疗单位共611张儿童胸片(肺炎300张,正常311张)进行外部验证,并根据验证结果对模型进行微调后再次测试,使模型更适合临床使用。结果:基于深度学习技术和公开数据集数据构建儿童肺炎自动判别模型,准确率为98.48%,精确率为99.54%,召回率为98.81%,F1-score为98.86%,AUC为0.999。外部验证初始结果准确率为59.90%,选用部分外部验证数据微调模型后,独立测试准确度提升至85.00%。结论:基于深度学习根据公开数据集构建肺炎自动判别模型具有可行性,准确率达98.48%,在实际临床使用时应根据具体使用条件选取适量数据集对模型进行微调。