폐렴 진단을 위한 딥러닝에서 CNN의 성능 평가

초록 전세계의 긴급한 건강 문제를 해결하기 위해 본 연구는 흉부 X선 사진에서 폐렴을 자동으로 진단하는 데 있어 다양한 합성곱 신경망(CNN) 구조의 효과를 조사합니다. 폐렴은 특히 자원이 부족한 지역에서 아동의 주요 사망 원인으로 남아 있습니다. 이 연구는 폐렴 사례를 분류하는 CNN 모델의 성능을 VGG16, ResNet50, EfficientNetB3 등을 포함하여 면밀히 비교합니다. EfficientNetB3는 92.08%의 높은 정확도를 달성했으며, 그 다음으로 ResNet50은 84.05%의 정확도, 84%의 정밀도, 85%의 재현율, 84%의 F1 점수를 기록했습니다. 마지막으로 VGG16은 81%의 정확도와 82%의 재현율, 81%의 F1 점수를 보였습니다. 우리는 또한 82%의 정확도를 달성한 맞춤형 CNN 모델을 사용했습니다. RSNA 폐렴 탐지 챌린지의 흉부 X선 이미지를 대규모 데이터셋으로 사용했습니다. 모델 성능을 평가하기 위해 이 연구는 정확도, 민감도, 특이도, 정밀도 및 F1 점수와 같은 엄격한 평가 지표를 사용합니다. 결과에 따르면 CNN 모델이 진단 정확도를 높이고, 결과적으로 임상 결과를 개선하는 데 큰 가능성이 있음을 보여줍니다. 이 연구의 결론은 첨단 딥러닝 방법을 임상 실습에 통합하면 폐렴 식별의 효율성을 높이고, 이것이 건강 관리 환경에서 자원 배분을 개선할 수 있음을 시사합니다.