PulmoX-Net: 흉부 방사선 촬영에서 다중 클래스 폐 병리 분류를 위한 채널 주의력 강화 딥 러닝 모델

소개 호흡기 질환은 전 세계적으로 상당한 임상 부담을 주며, 흉부 방사선 촬영은 의심되는 폐 이상을 평가하기 위해 널리 사용되는 1차 영상 모달리티입니다. 여러 가지 폐 질환이 겹치는 방사선 패턴을 공유하기 때문에 정확한 다중 클래스 해석은 어려운 문제입니다. 방법 우리는 Xception의 효율적인 깊이별 분리 합성을 Squeeze-and-Excitation (SE) 채널 주의력과 결합하여 흉부 X-레이 분류를 위한 특징 표현을 개선하는 하이브리드 합성곱 신경망인 PulmoX-Net을 개발했습니다. 이 모델은 6,743개의 정면 흉부 방사선 촬영이 아홉 개의 기준별 패턴 기반 카테고리로 그룹화된 Kaggle “X-ray Lung Diseases Images (9 classes)” 공개 데이터셋에서 평가되었습니다. 보조 분석에는 이미지 수준 계층 분할 보고, 소스-레이블 검토, 클래스별 메트릭스, 반복 실행 테스트, 모델 복잡성 프로파일링 및 Grad-CAM 히트맵에 대한 임상의 검토가 포함되었습니다. 결과 PulmoX-Net은 89.23%의 전체 테스트 정확도, 89.92%의 정밀도, 89.38%의 재현율, 88.97%의 F1 점수, 0.9842의 매크로 평균 AUC를 달성하여 동일한 실험적 프레임워크 하에서 평가된 비교 CNN 백본보다 우수한 성능을 보였습니다. 논의 이러한 발견은 PulmoX-Net이 주의력이 강화된 다중 클래스 흉부 방사선 촬영 분류를 위한 유망한 기준 모델임을 시사합니다. 그러나 이 결과는 단일 데이터셋과 비표준 라벨 체계의 한계 내에서 해석되어야 하며, 임상 배포를 고려하기 전에 독립적인 임상 집단에 대한 외부 검증이 필요합니다.