基于注意力引导脉冲神经网络的胸片肺炎检测：一种高效可解释的深度学习框架

《Scientific Reports》：Trustworthy pneumonia detection in chest X-ray imaging through attention-guided deep learning

本研究针对胸片肺炎诊断中人工判读误差大、传统深度学习模型能耗高且难以部署于低资源环境等问题，提出了一种融合卷积神经网络、门控循环单元与脉冲神经网络的注意力引导混合框架。通过空间特征提取、时序依赖建模及脉冲驱动处理，模型在公开数据集上达到99.35%的准确率，并显著提升对噪声干扰的鲁棒性。该研究为临床提供了一种透明、低功耗的辅助诊断工具，尤其适用于边缘医疗场景。

　　

肺炎作为一种严重的呼吸道感染疾病，在全球范围内对儿童、老年人和免疫缺陷群体构成重大威胁。胸片成像是诊断肺炎的主要手段，但人工判读存在主观性强、误诊率高等问题。尽管深度学习技术已在医学影像分析中展现出潜力，传统卷积神经网络面临计算资源需求大、能耗高、难以在低资源环境中部署的挑战。此外，模型的可解释性不足也限制了其在临床中的可信度。

为解决上述问题，突尼斯大学的研究团队在《Scientific Reports》上发表了一项创新研究，提出一种结合注意力机制的脉冲神经网络框架，旨在实现高效、可解释的肺炎检测。该模型通过整合空间特征提取、时序建模和生物启发式脉冲处理，在保证高精度的同时显著降低能耗，并为临床决策提供可视化依据。

研究采用的关键技术包括：

1. 1.
   基于卷积神经网络的空间特征提取模块，通过多层卷积和池化操作捕获胸片中的局部纹理特征；
2. 2.
   双向门控循环单元对静态特征序列化建模，模拟时间依赖性；
3. 3.
   泄漏积分点火神经元构成的脉冲神经网络，将像素强度编码为稀疏脉冲序列，提升噪声容忍度；
4. 4.
   注意力机制生成热力图，突出病灶区域以增强可解释性。实验使用公开的胸片数据集（含5863张图像），通过数据增强和SMOTE过采样处理类别不平衡问题。

模型架构设计

研究团队设计了由空间特征提取、时序动力学建模、脉冲神经处理及决策头组成的四模块架构。空间模块通过三层卷积逐步提取特征，并采用最大池化降维；时序模块通过双向GRU学习特征序列的上下文信息；脉冲处理模块使用LIF神经元模拟生物神经元的膜电位动态，通过25个时间步的脉冲聚合生成输出；决策头通过全连接层和Dropout实现分类。该结构在保持轻量化的同时实现了多尺度特征融合。

性能与鲁棒性分析

在测试集上，模型准确率达99.35%，精确度、召回率和F1分数均超过99%。消融实验表明，移除GRU模块会使准确率下降至96.32%，证实了时序建模的必要性。噪声鲁棒性测试显示，模型在高斯模糊、椒盐噪声和散斑噪声干扰下均保持稳定分类，归因于脉冲处理的稀疏性和事件驱动特性。

可解释性验证

注意力可视化结果（图10）表明，模型在肺炎病例中聚焦于肺实变区域（如肺泡浸润灶），而在正常胸片中注意力分布均匀。这种对齐临床先验的聚焦模式增强了医生对模型决策的信任。

讨论与意义

该研究首次将脉冲神经网络与注意力机制结合应用于胸片肺炎检测，突破了传统深度学习模型能效与解释性之间的权衡。模型在精度接近顶尖CNN的同时，能耗降低40%，且无需依赖昂贵的GPU硬件。其噪声鲁棒性尤其适用于低质量影像或移动设备采集场景。未来工作可探索模型在实时边缘计算中的部署，并扩展至其他影像模态（如CT或MRI）。尽管当前架构复杂度较高，但通过模型压缩与硬件适配，有望进一步推动其在临床实践中的普及。