基于深度学习的胸部X线摄影质量控制系统：患者体位与元数据自动化评估

为解决胸部X线摄影中因体位偏差、对比度/亮度异常及元数据错误导致的诊断价值下降问题，研究人员开发了基于ResNet152V2/VGG19架构的自动化质量控制系统。通过69,000+张影像训练，7个子模型对6类质量缺陷的识别准确率均超95%，单图处理仅需3秒，可集成至放射工作流或AI诊断前筛环节。

　　

在放射摄影实践中，患者体位不当或元数据缺失常导致影像诊断价值降低。这项研究构建了一套智能质量控制系统，专注于胸部X线摄影中六大关键缺陷的自动化识别：目标解剖区域遗漏、胸部旋转、亮度异常、解剖部位错误、投照误差及光度量解释错误。

研究团队采用混合数据集策略，整合统一放射信息服务系统(URIS)和开放数据源的69,000余张影像，涵盖多种族成人样本（排除<18岁者）。通过放射专家标注数据，对改良的ResNet152V²
和VGG19网络架构进行集成训练，创新性地采用ROC-AUC、F₁
-score等多维度评估指标。

最终构建的7个子模型展现出惊人一致性——所有性能指标均突破95%阈值。系统可实现每秒0.33张的实时处理速度，既能嵌入放射科工作站进行即时质控，又可作为市政医疗系统的审计工具，更可充当诊断型AI模型的"守门员"。这种端到端的解决方案，标志着医学影像质量控制从人工抽检迈向全自动化时代。