新方法提高了使用AI驱动的X光片分析来诊断肺病的准确性。
早期发现肺病对于改善患者预后至关重要，但传统的诊断方法往往存在不足。一项于2025年3月13日发表的新研究表明，使用机器学习（ML）和深度学习（DL）技术对肺部X光片进行分类取得了显著进展，帮助医疗从业者识别病例是良性还是恶性，并识别特定疾病，包括肺不张、肺炎和结节。
肺病是全球健康面临的重大挑战，世界卫生组织估计约有3.34亿人患有哮喘，每年因结核病和肺癌死亡的人数分别约为140万和160万。有效早期诊断这些疾病的需求从未如此迫切，尤其是在COVID-19大流行期间，这些疾病给医疗系统带来的负担更加明显。
研究人员利用了美国国立卫生研究院（NIH）胸部X光片数据集，该数据集包含超过112,000张带有各种肺病标签的图像。从这个庞大的数据集中，研究筛选出8,000张图像——3,000张良性图像和5,000张恶性图像——用于训练和测试其分类算法，将数据分为80%用于训练，20%用于测试。
该研究采用了多种机器学习分类器，包括k-近邻（kNN）、支持向量机（SVM）、决策树和朴素贝叶斯，以及一种称为Inception v3的深度学习模型。值得注意的是，深度学习模型达到了97.05%的准确率，比传统ML方法高出11.8%。
在测试的分类器中，使用径向基函数（RBF）核的支持向量机（SVM）算法表现最佳，在恶性图像上的准确率达到85%。这些结果表明，通过卷积神经网络（CNNs），深度学习可以彻底改变复杂医学图像的分析，特别是在肺癌等危及生命的疾病方面。
机器学习算法已经改变了数据处理的方式，使它们能够以令人印象深刻的准确性识别模式并做出预测。通过使用TOPSIS（理想解相似性排序技术）等高级方法，研究人员有效地对机器学习分类器进行了排名，并建立了可量化的比较指标。
通过结合从图像中获得的统计和纹理特征，SVM分类器能够生成更高效的分类器。值得注意的是，当使用结合GLCM和LBP特征时，分类准确率显著提高，这表明广泛的结构信息和精细的纹理元素协同工作，可以提高模型的能力。
这些发现为利用AI和成像技术增强肺病早期检测系统提供了有希望的途径。通过处理大量数据并识别肺病的细微迹象，这些方法代表了更有效的诊断和治疗选择的下一步进化。
总体而言，这项研究反映了人工智能在医疗保健中的日益融合及其对未来医学诊断的变革潜力。继续完善这些技术和方法，使现代医疗界更接近于战胜肺病——一次一张分类的X光片。
(全文结束)
