Vit-Ensemble：基于概率投票的视觉变换器集成模型，用于通过X光片检测结核病

《Computational Biology and Chemistry》：Vit-Ensemble: Probabilistic voting based ensemble of Vision Transformers for tuberculosis detection using radiographs

结核病检测面临挑战，本研究提出Vit-Ensemble模型，通过概率投票机制整合多ViT模型（DeiT-Base、Swin Transformer、BEiT-Base），结合图像预处理（对比增强、噪声抑制等），在基准数据集上实现99.67%准确率，超越CNN模型（99.64%）和单模型性能（99.14%）。该研究系统探讨了预处理对ViT性能的影响，验证了概率投票在医疗影像分析中的有效性。

　　TB检测在胸部X光（CXR）图像中的应用一直是一个全球医疗健康领域的关键挑战。本文提出了一种名为Vit-Ensemble的新颖集成模型，该模型利用视觉Transformer（ViT）架构，通过概率投票策略提升TB检测的鲁棒性和准确性。Vit-Ensemble的核心创新在于其概率投票机制，不同于传统的硬投票方法，它通过综合多个ViT模型在不同TB数据集上的概率输出，提高了模型的整体性能，并减少了偏差和不确定性的负面影响。为了进一步优化诊断结果，研究者系统地探讨了多种图像预处理技术，如对比度增强和噪声消除。实验结果表明，Vit-Ensemble在基准数据集上的表现优于当前最先进的卷积神经网络（CNN）模型，达到了99.67%的准确率，远超其个体组件（如DeiT-Base的99.14%）以及传统CNN模型（如EfficientNet-B3的99.64%和DenseNet201的93.21%）。这一成果凸显了概率投票在集成框架中对TB检测的有效性，为早期诊断和疾病管理提供了新的可能性。研究还强调了图像预处理技术在提升ViT模型性能方面的重要性，并展示了不同预处理方法对模型效果的具体影响。

TB作为一种古老的传染病，其诊断和管理一直是全球医疗体系的重要课题。该病由结核分枝杆菌（M.tb）引起，其历史可以追溯到数千年之前，影响了无数人的健康和生命。TB的诊断通常依赖于临床症状和影像学检查，而胸部X光作为常用的筛查工具，其解读往往需要专业放射科医生的参与。然而，由于人为判断的主观性和对专业知识的依赖，传统方法在效率和一致性方面存在局限。特别是在资源匮乏的地区，缺乏专业人才可能导致误诊和漏诊，进而影响疾病的早期干预和控制。因此，开发一种高效、准确且易于部署的TB检测方法，对于改善公共卫生状况具有重要意义。

近年来，随着人工智能（AI）和深度学习技术的发展，计算机辅助诊断（CAD）系统在TB检测中的应用逐渐受到关注。这些系统通常基于胸部X光图像，利用机器学习算法自动识别肺部异常。然而，现有的TB检测方法仍面临一些关键问题。首先，大多数集成方法采用硬投票策略，即根据模型的预测类别进行决策，这种方式忽略了模型输出的概率信息，可能导致决策不够精细。其次，基于卷积神经网络（CNN）的模型在捕捉长距离空间依赖性方面存在局限，而这种能力对于检测TB的细微表现至关重要。最后，关于图像预处理如何影响ViT模型性能的研究相对有限，缺乏系统的探索和验证。

针对上述问题，本文提出了Vit-Ensemble这一集成模型，旨在通过结合多个ViT模型的输出，提高TB检测的准确性。ViT模型在计算机视觉任务中表现出色，尤其是在捕捉图像中的长距离空间依赖性方面。这一特性使得ViT在识别TB的细微影像特征方面具有显著优势。然而，单独使用ViT模型仍可能受到数据分布、模型偏差和环境噪声等因素的影响。因此，研究者设计了一种基于概率投票的集成策略，通过综合多个ViT模型的概率输出，提高模型的鲁棒性和泛化能力。

为了进一步提升模型的性能，研究者还对多种图像预处理技术进行了系统分析。这些技术包括去噪、伽马校正、对比度受限的自适应直方图均衡（CLAHE）、直方图均衡化、小波变换及其组合。通过应用这些预处理方法，研究者能够增强胸部X光图像中与TB相关的病理特征，从而提高模型的识别能力。实验结果显示，CLAHE预处理在使用EfficientNetB0模型时达到了最高的测试准确率（99.92%），为医学影像领域的预处理选择提供了实用的指导。

此外，本文还对20种CNN架构和7种ViT模型进行了全面的基准测试，以评估其在TB检测中的表现。研究发现，经过数据清洗后，ViT模型的性能显著优于CNN模型，最佳模型的准确率达到了96.53%，而CNN模型的准确率仅为92.40%。同时，ViT模型的训练时间也减少了约40%，表明其在计算效率方面具有优势。这一发现为未来TB检测模型的选择提供了重要参考，尤其是在需要高效处理大量图像数据的医疗场景中。

Vit-Ensemble的提出不仅解决了现有集成方法中概率信息被忽视的问题，还通过引入ViT模型的长距离空间依赖性捕捉能力，提升了对TB细微影像特征的识别能力。在实际应用中，该模型能够为放射科医生提供辅助决策支持，提高诊断的准确性和效率。同时，其在资源匮乏地区的适用性也值得进一步探讨，因为这些地区的医疗资源有限，亟需一种能够自动化、高效且准确的检测工具。

在方法学上，本文详细描述了Vit-Ensemble的构建过程，包括数据预处理、图像增强、模型集成和特征提取等关键步骤。研究者首先对胸部X光图像进行了标准化处理，以确保数据的一致性和可比性。随后，他们应用了多种图像预处理技术，以增强图像质量并突出TB相关的病理特征。在模型集成方面，研究者采用概率投票策略，综合多个ViT模型的输出，以提高最终预测的可靠性。这种策略不仅考虑了模型的预测类别，还结合了模型的置信度，从而实现更精确的决策。

本文的研究成果对于推动TB检测技术的发展具有重要意义。Vit-Ensemble的高准确率表明，集成学习方法在医学影像分析中具有巨大潜力。此外，该研究还揭示了图像预处理在提升模型性能方面的重要性，为未来的研究提供了新的方向。随着AI技术的不断进步，集成学习和Transformer架构的结合有望在更多医学领域得到应用，从而提高疾病的诊断效率和准确性。

在实际应用中，Vit-Ensemble的高准确率意味着它可以成为TB筛查和诊断的重要工具。该模型能够帮助医疗人员快速识别疑似病例，减少误诊和漏诊的风险。特别是在大规模筛查和资源有限的环境中，这种自动化检测方法可以显著提高工作效率，减轻医生的工作负担。此外，Vit-Ensemble的高泛化能力也表明，它可以在不同数据集和不同医疗环境中保持良好的性能，为全球TB防控提供支持。

综上所述，本文提出的Vit-Ensemble模型在TB检测中表现出色，不仅提升了模型的准确性，还通过概率投票策略优化了决策过程。研究者对图像预处理技术的系统分析进一步揭示了如何有效提升模型性能，为未来的研究提供了宝贵的参考。Vit-Ensemble的开发标志着计算机辅助TB诊断技术的重要进展，为改善全球公共卫生状况和推动疾病管理提供了新的可能性。