PELM：一种用于胸部X光早期诊断肺炎的深度学习模型

肺炎仍然是呼吸系统发病率和死亡率的主要原因，这突显了快速和准确诊断的必要性，以便及时治疗并防止并发症。本研究介绍了PELM（肺炎集成学习模型），这是一种基于深度学习的自动化肺炎检测新框架，利用胸部X光（CXR）图像进行检测。该模型通过特征级拼接整合了四种高性能架构——InceptionV3、VGG16、ResNet50和视觉变换器（ViT），以利用互补的特征表示。我们从NIH ChestX-ray14、CheXpert、PadChest和Kaggle CXR肺炎数据集中汇编了包含50,000张PA视图胸部X光图像的大规模数据集，其中包括肺炎和非肺炎病例。为了确保公平基准测试，所有模型在相同的预处理和超参数设置下进行了训练和评估。PELM取得了卓越的性能，准确率为96%，精确度为99%，召回率为91%，F1-score为95%，特异性为91%， AUC值为0.91——超越了单个模型基线和之前发表的方法。此外，使用超过10,000名患者的临床数据进行了比较实验，从而能够直接评估基于图像和结构化数据的分类管道。这些结果表明，采用混合架构的集成学习显著提高了诊断准确性和泛化能力。所提出的方法计算效率高，临床可扩展性强，特别适合在资源有限的医疗环境中部署，在这些环境中放射科医生的访问可能有限。PELM代表了朝着全球临床实践中可靠、可解释和可访问的AI辅助肺炎筛查的重要进展。