编辑推荐：
本研究针对肺部疾病诊断难题，提出一种结合CNN与Transformer的混合模型（LungMaxViT），在COVID-19及胸部X光14数据集上实现96.8%和93.2%的AUC，为肺部疾病早期诊断提供高效工具
肺部疾病是全球主要死亡原因之一，传统诊断方法存在诸多挑战。为了提高诊断效率和准确性，国内研究团队提出了一种基于混合Transformer的可解释多分类模型（LungMaxViT），通过结合卷积神经网络（CNN）和Transformer架构，显著提升了从胸部X光图像中识别多种肺部疾病的能力。该研究不仅在COVID-19和胸部X光14数据集上取得了优异的分类性能，还通过Grad-CAM技术实现了模型决策过程的可视化，为临床诊断提供了有力支持。论文发表在《Scientific Reports》上，展示了该模型在肺部疾病早期识别和分类中的巨大潜力。
研究背景
肺部疾病是全球主要死亡原因之一，每年约有400万人因肺部相关疾病过早死亡。胸部X光扫描作为一种高效、低成本的诊断方法被广泛应用于肺部病变检测。然而，由于肺部病变在X光图像上表现模糊且缺乏典型症状，即使是经验丰富的临床医生也难以准确诊断多种肺部疾病。此外，X光图像的差异性导致诊断结果存在显著主观性，尤其是在发展中国家和农村地区，专业放射科医生短缺，使得计算机辅助诊断系统（CAD）的开发显得尤为重要。
近年来，人工智能和深度学习算法在从胸部X光图像中检测病理方面取得了显著进展。卷积神经网络（CNN）因其在图像处理、语音识别和模式识别中的卓越表现而受到广泛关注。然而，CNN在图像识别中存在过拟合和空间信息丢失的问题，导致结果泛化能力较差。为了解决这些问题，研究人员引入了基于Transformer的架构，如Vision Transformers（ViTs），通过自注意力机制处理图像块序列，显著提升了模型性能。然而，ViT在没有广泛预训练的情况下表现不佳。MaxViT作为一种改进的Transformer模型，通过多轴注意力机制和线性复杂度实现了全局-局部空间交互，为肺部疾病诊断提供了新的思路。
研究方法
为了提高胸部X光图像中肺部疾病的分类准确性，研究人员提出了一种混合深度学习架构——LungMaxViT。该模型结合了CNN初始阶段块和SE块，以及受MaxViT启发的多轴Transformer块，以改善特征识别能力。研究中使用了两个公共数据集：COVID-QU-Ex（COVID-19）和胸部X光14（Chest X-ray14），涵盖了COVID-19、非COVID-19感染和正常实例等多类肺部疾病。研究人员通过数据增强技术（如高斯滤波、对比度受限自适应直方图均衡化（CLAHE）和去噪）改善图像质量和数据一致性，并通过Grad-CAM技术生成热力图，解释模型预测的可解释性。
研究结果
LungMaxViT模型在COVID-QU-Ex数据集上实现了96.8%的分类准确率、98.3%的AUC和96.7%的F1分数，显著优于其他四种经典预训练模型（ResNet50、MobileNetV2、ViT和MaxViT）。在胸部X光14数据集上，该模型的AUC达到93.2%，F1分数为70.7%，同样优于其他模型。通过Grad-CAM生成的热力图显示，模型能够准确聚焦于肺部病变区域，与临床医生的诊断结果高度一致。
研究结论
LungMaxViT模型通过结合CNN和Transformer的优势，显著提高了胸部X光图像中肺部疾病的分类准确性，尤其是在多分类任务中表现优异。该模型不仅能够自动区分COVID-19和其他肺部疾病，还通过Grad-CAM技术提供了可解释的诊断结果，为临床医生提供了有力支持。未来，研究人员计划进一步探索医学基础模型和多模态自监督模型在其他医学图像数据集中的应用潜力，以推动医学影像诊断技术的发展。
关键技术方法
研究人员采用的主要关键技术包括：（1）数据增强技术，如高斯滤波、CLAHE和去噪，以提高图像质量和数据一致性；（2）混合深度学习架构LungMaxViT，结合CNN初始阶段块和SE块，以及多轴Transformer块；（3）Grad-CAM技术，用于生成热力图以解释模型预测的可解释性。
研究意义
本研究提出的LungMaxViT模型为肺部疾病的早期诊断和分类提供了一种高效、准确且可解释的方法。该模型在多个数据集上的优异表现证明了其在临床应用中的潜力，尤其是在资源有限的地区。通过结合CNN和Transformer的优势，LungMaxViT不仅提高了诊断准确性，还通过Grad-CAM技术增强了模型的可解释性，为医学影像诊断领域的发展提供了新的思路和工具。
