基于卡方特征选择的多模型特征融合的自动儿童肺炎诊断

《Journal of Imaging》:Automatic Childhood Pneumonia Diagnosis Based on Multi-Model Feature Fusion Using Chi-Square Feature Selection Amira Ouerhani, Tareq Hadidi, Hanene Sahli and Halima Mahjoubi

【字体: 大 中 小 】 时间:2026年03月05日 来源:Journal of Imaging 3.8

编辑推荐:

  肺炎是儿童死亡的主要原因之一,胸部X线摄影(CXR)是诊断的关键手段。然而,儿科分析中低辐射暴露使得准确检测肺炎变得复杂,传统检查效果不佳。卷积神经网络(CNN)在医学影像方面的进展显著提升了性能并获得了广泛认可。本文提出一种基于不同深度CNN架构结合最优特征

  
肺炎是儿童死亡的主要原因之一,胸部X线摄影(CXR)是诊断的关键手段。然而,儿科分析中低辐射暴露使得准确检测肺炎变得复杂,传统检查效果不佳。卷积神经网络(CNN)在医学影像方面的进展显著提升了性能并获得了广泛认可。本文提出一种基于不同深度CNN架构结合最优特征融合的准确肺炎检测方法。增强型VGG-19、ResNet-50和MobileNet-V2在应用适当迁移学习和微调策略后,在广泛使用的肺炎数据集上进行训练。为创建有效的特征输入,卡方(Chi-Square)技术从每个增强型CNN中移除不合适的特征。所得子集随后进行水平融合,以生成更具多样性和鲁棒性的特征表示用于二分类。通过结合VGG-19和MobileNet-V2模型的最优1000个特征,该方法在基于监督支持向量机(SVM)分类器的测试集上获得了最佳准确率(97.59%)、召回率(98.33%)和F1-score(98.19%)。所获结果表明,相比先前使用各种集成融合技术的研究,该方法在保证计算效率的同时实现了性能的显著提升。研究人员预期该融合特征系统将极大地促进儿童肺炎的及时检测,特别是在资源有限的医疗系统中。
**研究背景与问题**
肺炎是全球儿童发病和死亡的主要原因之一,每年约4.5亿病例和400万死亡病例。胸部X线摄影(CXR)是诊断的关键手段,但儿科影像中低辐射剂量和幼儿不配合导致图像质量受限,传统人工阅片依赖经验且存在观察者间差异。尽管卷积神经网络(CNN)在医学图像分析中取得显著进展,但单一CNN模型仅能捕获狭窄的特征表示,限制了检测细微病理模式的能力。传统集成方法(如平均概率、多数投票)在决策层面融合,忽略了有价值的内部特征表示,而多模型特征拼接虽能提高多样性,但高维融合特征包含冗余和非信息性特征,导致性能下降。现有研究很少在深度集成框架内对每个模型进行特征子集选择。为此,研究人员提出了基于卡方(Chi-square)特征选择的多模型特征融合集成(CSFFE),通过选择性识别和拼接来自VGG-19、ResNet-50和MobileNet-V2的最相关特征,在减少复杂性的同时提高分类性能。该研究发表在《Journal of Imaging》。

**主要技术方法**
研究人员采用三个预训练CNN模型(VGG-19、ResNet-50、MobileNet-V2)作为骨干网络,通过迁移学习(TL)和逐步微调(FT)策略(仅训练最后5层或保持冻结)适应肺炎分类任务。从每个模型的展平层提取深度特征后,应用卡方(Chi-square)检验进行特征选择(FS),保留与类别最相关的top-k特征。对选出的特征子集进行Z-score归一化,然后水平拼接形成融合特征矩阵。使用不同分类器(全连接层FC、支持向量机SVM、随机森林RF)进行二分类(肺炎 vs 正常)。所有实验基于Kermany等人公开的儿科CXR数据集(来自广州妇女儿童医疗中心,5856张图像,1583正常、4273肺炎),采用严格的患者级划分(90%训练/验证,10%独立测试)和5折交叉验证(CV),避免数据泄露。

**研究结果**
**4.1 单个深度学习模型性能**
通过5折CV和独立测试集(IT)评估,三个单模型在所有分类器上均超过93%准确率。VGG-19结合SVM在CV上达到最高平均准确率96.33%(95% CI: 95.65–97.01),F1-score 97.52%,Brier分数2.85%。MobileNet-V2结合SVM在IT上表现最优(准确率95.74%,F1-score 96.84%)。SVM分类器整体优于FC和RF,表明分类器选择对性能有显著影响。

**4.2 Grad-CAM视觉洞察与健全性检验**
应用梯度加权类激活映射(Grad-CAM)可视化,显示三个模型在相同输入上关注不同显著区域,证实了特征互补性。通过级联模型随机化进行健全性检验,结构相似性指数(SSIM)显著下降,证明Grad-CAM热图依赖于学习到的参数而非架构本身。初步临床验证显示模型能识别结核病灶,但次生病灶未被完全覆盖,未来需临床专家指导。

**4.3 特征融合集成模型性能**
基于卡方选择的最优k值(VGG-19和MobileNet-V2各选1000个特征)融合后,CSFFE结合SVM在CV上达到平均准确率97.08%(95% CI: 96.71–97.45),在IT上达到97.59%,F1-score 98.19%,召回率98.33%,特异度96.13%。混淆矩阵分析显示融合模型减少了假阳性和假阴性。ROC-AUC达99.67%,PR-AUC达99.84%,校准曲线显示良好概率校准(Brier分数2.18%)。消融研究证实卡方选择优于主成分分析(PCA)和无特征选择。与ANOVA-F、互信息最大化(MIM)和Lasso相比,卡方方法在性能与效率间取得最佳平衡。与10种机器学习分类器比较,SVM表现最佳。

**5. 讨论与结论**
**5.1 输入分辨率比较**
150×150像素在保持诊断特征的同时训练更快、更稳定,被选为最优尺寸。

**5.2 与现有研究比较**
CSFFE在Kermany数据集上以97.59%准确率、98.19% F1-score超越所有先前方法(如Chouhan等96.39%、Sheng等91.67%),且通过Wilcoxon符号秩检验证实统计显著性(p<0.05)。

**5.3 外部数据集泛化**
在结核病(DS1)和COVID-19与肺炎(DS2)数据集上,CSFFE分别达到99.40%准确率(F1-score 98.92%)和95.19%准确率(F1-score 95.21%),优于单模型和基于注意力的集成方法,证明其跨数据集泛化能力。

**5.4 局限性**
仅使用卡方方法忽视了特征间相关性,可能保留冗余;仅基于X射线影像,对CT等模态需进一步验证;数据集规模中等且存在类别不平衡,未采用平衡技术。

**6. 结论**
研究提出CSFFE方法,通过迁移学习、微调和卡方特征选择融合VGG-19与MobileNet-V2特征,结合SVM分类器,在高度不平衡的Kermany数据集上实现97.59%准确率、98.19% F1-score和99.67% ROC-AUC。在外部结核病和COVID-19数据集上同样表现优异,为儿童肺炎诊断提供了稳健、可重复的基线。未来工作将扩展多样化成像场景、探索不同架构、采用多阶段特征选择,并增强区分细菌、病毒和真菌肺炎的能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号