Ein neues KI‑Modell namens LXNet wurde entwickelt, um neun verschiedene Lungenerkrankungen anhand von Chest‑X‑Ray‑Bildern zu unterscheiden. Die Evaluation erfolgte mit 6.743 Aufnahmen, die von einem privaten Bildgebungszentrum in Brasilien bereitgestellt wurden, und erreichte in einer 5‑fachen Kreuzvalidierung eine Genauigkeit von 96,1 %.
Modellarchitektur
LXNet basiert auf einem Convolutional‑Neural‑Network mit lediglich 0,35 Millionen Parametern. Der finale Block verzichtet auf Pooling‑Schichten, um feine diagnostische Merkmale zu erhalten, und nutzt adaptive Contrast Limited Adaptive Histogram Equalization (CLAHE), Graustufen‑Normalisierung sowie eine stratified‑Klassen‑Balancierung, um Robustheit zu erhöhen.
Datensatz
Der verwendete Datensatz umfasst neun Klassen: Normal, Pneumonie, Higher Density, Lower Density, Obstructive Pulmonary Diseases, Degenerative Infectious Diseases, Encapsulated Lesions, Mediastinal Changes und Chest Changes. Alle Bilder stammen von GRS Imagem, Brasilien, und wurden fĂĽr die Studie anonymisiert bereitgestellt.
Leistungsbewertung
Im Vergleich zu vortrainierten Netzen wie DenseNet201 (90,3 % Genauigkeit) und InceptionV3 (88,9 % Genauigkeit) erzielte LXNet die höchste Genauigkeit. Das Training dauerte 308 Sekunden auf Standard‑Hardware. Die Überlegenheit von LXNet wurde durch Wilcoxon‑Signed‑Rank‑Tests (p = 0,03125) statistisch bestätigt.
Erklärbarkeit
Zur Erklärbarkeit wurden Grad‑CAM, Score‑CAM und LIME eingesetzt, die visuelle Hervorhebungen der für die Klassifizierung relevanten Bildbereiche lieferten.
Einschränkungen und Ausblick
Obwohl die internen Tests vielversprechend waren, zeigte das Modell bei externen Datensätzen eine geringere Leistung, was auf eine eingeschränkte Generalisierbarkeit hinweist. Weitere klinische Studien sind erforderlich, um die Anwendbarkeit im Praxisbetrieb zu prüfen.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung