基于自适应多尺度特征融合的胸部X光影像肺部疾病精准识别模型AMFNet研究

本研究针对胸部X光影像中肺部疾病识别存在的结构重叠、解剖复杂等挑战，开发了自适应多尺度特征融合网络AMFNet。通过创新性设计融合基础块(Fusion Basic Block)和多尺度层(Multiscale Layer)，结合SCConv和AFF模块，在公开数据集上实现肺炎、结核和COVID-19的97.48%识别准确率，F1值达0.9781，显著优于ResNet50等主流模型，为临床辅助诊断提供高效精准的AI解决方案。

　　

肺部疾病严重威胁人类健康，全球每年有80万儿童死于肺炎，结核病在2019-2021年间死亡人数激增，而COVID-19更造成约1490万人死亡。临床诊断面临巨大挑战：胸部X光(CXR)影像中肺部组织与胸壁软组织、骨骼等结构相互重叠，早期病变特征细微，人工诊断易出现漏诊误诊。传统实验室检测方法需要专业设备和人工处理，效率低下。尽管基于深度学习的计算机辅助诊断(CAD)技术取得进展，但现有模型存在参数过多、对特定病理特征敏感度不足等问题，难以满足临床精准诊断需求。

安徽理工大学电气与信息工程学院的研究团队在《Scientific Reports》发表创新研究，提出自适应多尺度特征融合网络AMFNet。该模型通过融合轻量级多尺度网络MFNet和ResNet50双重特征，结合创新的MFReLU激活函数，在保持低参数量的同时实现肺部疾病的高精度识别。关键技术包括：采用自校准卷积(SCConv)和注意力特征融合(AFF)模块构建特征提取网络；设计新型MFReLU激活函数减少内存访问时间；利用焦点损失(Focal Loss)解决样本不平衡问题；从四个公开数据集收集7132例胸部X光图像构建实验数据集。

研究方法与结果

数据预处理：研究整合了来自广州妇女儿童医疗中心、卡塔尔大学等机构的7132例胸部X光图像，包含COVID-19、肺炎、结核和正常四类样本。通过随机水平翻转增强数据，保留完整空间特征验证模型对肺部病灶区域的关注能力。

模型架构设计：AMFNet包含三个核心组件：(1)主特征提取网络MFNet采用密集连接结构，通过Fusion Basic Block实现宽域编码；(2)次特征提取网络ResNet50提供补充特征；(3)自适应模型融合模块动态整合双网络特征。创新设计的MFReLU激活函数在负半轴采用正弦函数，有效避免神经元"坏死"。

性能验证：在公开测试集上，AMFNet达到97.48%准确率，F1分数0.9781，AUC值0.9985。对比实验显示，其性能显著优于ResNet50、DenseNet121等模型，参数量仅33.1M。可视化分析证实模型能准确聚焦肺部实质区域，如COVID-19病例的下叶和间隔边缘，结核病例的不规则条纹阴影等特征。

讨论与意义

该研究突破性地解决了肺部疾病影像识别的三个关键难题：通过多尺度特征融合克服解剖结构重叠的干扰；利用自适应权重分配避免模型陷入局部最优；设计轻量化网络结构便于临床部署。特别值得注意的是，模型对高风险的COVID-19病例实现100%识别率，显著降低漏诊风险。研究也存在一定局限，如多模型结构导致训练时间较长，对特定不典型病例仍存在误判可能。

这项成果为肺部疾病筛查提供了高效可靠的AI辅助工具，其创新性的网络设计思路对医学影像分析领域具有重要启示。未来可通过整合多模态数据和临床信息进一步提升模型性能，推动智慧医疗发展。研究代码和数据集已开源，促进学术交流和临床应用。