《Expert Systems with Applications》：CLN: A multi-task deep neural network for chest X-ray image localisation and classification
編輯推薦：
胸部 X 線（CXR）解讀依賴專家且耗時，深度學習分類性能高但可解釋性不足。研究人員提出 CLN 多任務網絡，在 ChestX-ray14 子集上實現分類平均 AUC 0.918、定位平均 IoU 0.855，優于現有方法，為輔助診斷提供新方案。
在醫學影像領域，胸部 X 線（CXR）作為常用且經濟的檢查手段，廣泛用于多種疾病的檢測。然而，其準確解讀需要專業放射科醫生，過程耗時且易受主觀因素影響，存在漏診或誤診風險。同時，盡管深度學習方法在 CXR 圖像分類中表現出色，但 “黑箱” 特性導致醫生難以信任其決策，可解釋性不足成為臨床應用的主要障礙。如何提升模型的可解釋性，讓醫生直觀看到病變位置，成為推動 AI 在醫學影像中落地的關鍵問題。此外，現有一些方法計算復雜度高，在資源有限的臨床環境中推廣困難。
為解決上述問題，國外研究機構的研究人員開展了胸部 X 線圖像定位與分類的研究。他們提出了胸部 X 線定位網絡（CLN），這是一種多任務深度神經網絡，旨在實現 CXR 圖像中病理的定位與分類。該研究成果發表在《Expert Systems with Applications》。
研究人員采用的主要關鍵技術方法包括：基于預訓練的卷積神經網絡（CNN）作為主干網絡，在包含 14 種病理的大型 CXR 數據集上進行微調；主干網絡后接兩個并行分支，分別用于病理分類和通過回歸預測邊界框實現病理定位；在 NIH ChestX-ray14 數據集的子集上進行訓練和評估，該子集包含標注了 8 種病理邊界框的 CXR 圖像。
研究結果
- 模型性能評估：通過對 CLN-ResNet50V2、CLN-EfficientNetB4 等六種變體的評估，發現 CLN-CheXNet 在定位和分類之間取得了最佳平衡。在分類任務中，八種病理的最大分類平均 AUC 分數達到 0.918；在定位任務中，最大定位平均 IoU（交并比）精度為 0.855。
- 與現有方法對比：CLN 在定位和分類任務上均優于最先進的方法。相比基于 CNN 和 Transformer 的方法，其優勢顯著，不僅在分類和定位精度上更優，而且隨著 IoU 閾值的增加，性能下降更慢，同時架構更簡單。
結論與討論
CLN 的提出為 CXR 圖像的計算機輔助診斷提供了一種可靠的解決方案。其核心價值在于：通過直接預測病變的邊界框，實現了病理的可視化定位，顯著提升了模型的可解釋性，有助于醫生理解和信任 AI 的診斷結果，緩解了 “黑箱” 模型的信任危機；在保證高性能的同時，采用相對簡單的架構，避免了復雜網絡帶來的高計算資源需求和長訓練時間，更適合臨床環境的實際部署；在多個病理的分類和定位任務中表現出色，為輔助放射科醫生提高診斷效率和準確性提供了有力支持，有望在臨床篩查、遠程診斷等場景中發揮重要作用，推動 AI 在醫學影像領域的實際應用。該研究為后續 CXR 圖像分析的研究提供了新的思路和方法，具有重要的學術和臨床應用價值。
