MobileNet对床旁胸部X线平片分类研究的价值

作者：孟名柱; 潘昌杰; 陈洁; 陈晓霞; 张浩^*

来源：中华放射学杂志, 2023, 57(12).

• 放射摄影术
• 轻量化卷积神经网络
• 深度学习

目的探讨基于MobileNet的深度学习对床边胸部X线平片(胸片)分类诊断及提高工作效率的价值。方法回顾性分析2017年1月至2022年12月在常州市第二人民医院接受床旁胸部X检查患者的胸片6 320张, 正常组885张、肺炎组1 927张、胸腔积液组373张、肺炎合并胸腔积液组3 135张。选择其中350幅图像作为验证集, 其剩余图像按照8∶2比例使用简单随机法分为训练集4 775张和测试集1 195张。采用两种轻量化卷积神经网络模型MobileNetV1和MobileNetV2构建床旁胸片分类模型, 并基于此设计了两种微调策略, 共生成了4个模型, 分别是MobileNetV1False(V1False)、MobileNetV1True(V1True)、MobileNetV2False(V2False)、MobileNetV2True(V2True)。4个模型分别对所有胸片进行第一阶段和第二阶段分类, 第一阶段建立二分类模型, 即将所有胸片分为正常组和病变组, 第二阶段建立四分类模型, 即将所有胸片分为正常组、肺炎组、胸腔积液组和肺炎合并胸腔积液组。采用准确度(Ac)、精确度(Pr)、召回率(Rc)、F1评分(F1)和受试者操作特征曲线下面积(AUC)评估模型性能。结果第一阶段和第二阶段, V1True和V2True模型在训练集和验证集中的Ac、Pr、Rc、F1均高于V1False和V2False模型;且V1True模型的分类效果优于其他模型。验证集中V1True模型在第一阶段和第二阶段的分类Ac[分别为95.71%(335/350)和93.43%(327/350)], 均高于放射科主治医师的分类Ac[第一阶段:90.29%(316/350);第二阶段:87.14%(305/350)]。V1True模型对验证集350张床边胸片的识别时间(平均17 s)明显少于放射科主治医师(平均300 min)。结论 V1True模型是对床边胸片分类的最优MobileNet模型, 其应用于临床可以帮助临床医师及时、准确地从床边胸片识别患者的肺部病变信息, 亦有利于提高放射科的工作效率。

• 单位
  南京医科大学