基于MobileNetV2与视觉Transformer的混合方法用于胸部X光片多标签分类

《Scientific Reports》：Hybrid MobileNetV2–vision transformer approach for multi-label classification of chest X-rays

　　

摘要

使用胸部 X 光片（CXR）精确识别胸部疾病对于良好的临床诊断至关重要。然而，由于类间相似性和症状重叠，这仍然具有挑战性。本研究介绍了一种混合 MobileNetV2–Vision Transformer (ViT) 框架，用于在 NIH CXR14 数据集上将 CXR 图像多标签分类为 14 种疾病类别。MobileNetV2 作为轻量级特征提取器，用于获取独特的空间表示，这些表示经过标记化并用位置编码增强。编码特征通过 Transformer 层进行处理，其中自注意力机制捕获了长程依赖性和全局上下文关系。基于 Sigmoid 函数的输出层促进了各种疾病标签的同时预测。所提出工作的新颖之处在于经 PSO 调优的混合架构，该架构自适应地优化 MobileNetV2–ViT 框架的关键超参数，与传统方法相比，实现了更高的准确率、更快的收敛速度和增强的计算效率。此实现使用了一个经济高效、针对推理工作负载定制的 GPU 加速实例。它配备了一个拥有 24 GB 专用 GPU 显存的 NVIDIA A10G GPU，且所提出的工作在 AWS SageMaker 上进行。采用五折交叉验证的实验评估显示了强大的性能，平均准确率为 94.6%，精确率为 88.1%，召回率为 85.9%，特异性为 94.17%，F1 得分为 91.1%。Grad-CAM 表示通过识别与疾病相关的区域提高了可解释性。结果突显了所提出的混合技术在作为胸部疾病计算机辅助诊断可靠工具方面的有效性。