Полу‑контролируемая многоклассовая классификация пневмонии с использованием фреймворка CNN‑cascade forest

Почему важны более интеллектуальные сканирования при пневмонии

Пневмония остаётся одной из ведущих причин смерти в мире, а многие больницы — особенно те, где мало специалистов — по‑прежнему полагаются на загруженных клиницистов, которые визуально оценивают рентгеновские снимки или КТ. Это затрудняет не только саму идентификацию пневмонии, но и определение её типа: бактериальная, вирусная, грибковая или более общий воспалительный синдром. В статье описывается новая система искусственного интеллекта (ИИ), призванная помочь в этой задаче. Она использует как рентген, так и КТ‑изображения, обучается даже на снимках без экспертной разметки и способна с высокой точностью различать несколько подтипов пневмонии.

От простого да/нет к более содержательным ответам

Большинство существующих инструментов ИИ для выявления легочных инфекций работают как базовый дымовой датчик: они сообщают «пневмония» или «нет пневмонии» и на этом останавливаются. Врача же интересует более тонкая картина. Разные причины пневмонии по‑разному реагируют на лечение, несут разные риски и часто выглядят на снимках отличающимися по тонким признакам. Авторы поставили цель создать систему, способную различать пять категорий — бактериальная, вирусная, грибковая, общая пневмония и нормальные лёгкие — чтобы автоматические инструменты давали рекомендации, ближе соответствующие оценке опытного радиолога, а не простому предупреждению.

Сочетание двух видов снимков для более полной картины

Для обучения и тестирования метода исследователи собрали набор данных из 4 578 грудных изображений из публичных коллекций: каждый пациент предоставлял и рентген, и КТ, выполненные в рамках одного клинического эпизода. Рентген быстро и дешёво, но достаточно нечёткий; КТ медленнее и дороже, но показывает тонкие структурные детали. Тщательно сопоставив обе модальности на уровне пациента и удалив несоответствующие или сомнительные случаи, команда получила реалистичный, несбалансированный датасет, отражающий повседневную клиническую практику: некоторые типы пневмонии, например грибковая инфекция, встречаются намного реже других.

Как гибридный ИИ учится на размеченных и неразмеченных снимках

Предложенная система, названная CNN‑Enhanced Cascade Forest (CE‑Cascade), объединяет два подхода машинного обучения. Во‑первых, глубокая сверточная сеть ResNet обрабатывает каждое изображение и превращает его в высокоразмерный «отпечаток», фиксирующий текстуры, формы и шаблоны, связанные с пневмонией. Вместо прямого предсказания диагноза эти отпечатки передаются в «каскадный лес» — многослойную архитектуру ансамблей решающих деревьев, которая на каждом уровне уточняет сигнал, фокусируясь на локальных фрагментах изображения и выстраивая более сложные паттерны. Критически важно, что авторы встраивают этот гибридный модельный подход в полу‑контролируемую схему: после первичного обучения на экспертом размеченных снимках модель получает право присваивать «псевдометки» неразмеченным изображениям, но только при высокой уверенности. Такие высокоуверенные случаи затем включаются в обучение, расширяя эффективный набор данных без дополнительной ручной разметки.

Чего система достигла на практике

Применяя этот подход, модель CE‑Cascade показала общую точность классификации 98,86 процента по всем пяти категориям, с аналогично высокими результатами как на рентгенах, так и на КТ. Она не только превзошла более простые нейросети, но и обошла продвинутых конкурентов, включая глубокие сверточные модели с механизмами внимания и системы на базе трансформеров. Добавление псевдомаркированных снимков последовательно улучшало качество предсказаний, повышая несколько оценочных метрик и делая модель более устойчивой к ограниченному объёму экспертной аннотации. Метод также хорошо обобщался при обучении на одной модальности и тестировании на другой, что указывает на то, что модель выучила паттерны, связанные с заболеванием, а не особенности конкретного сканера.

От лабораторного эталона к помощнику у постели больного

Для неспециалиста главный вывод в том, что эта работа приближает системы ИИ‑поддержки интерпретации грудных снимков к практическому использованию клиницистами. Вместо чёрного ящика, который лишь отвечает «пневмония: да или нет», фреймворк CE‑Cascade предлагает детализированный многоклассовый вывод и делает это достаточно эффективно для рутинного внедрения. Обучаясь на размеченных и неразмеченных снимках и сочетая комплементарные виды изображений — рентген и КТ — он задаёт высокую планку для будущих систем. При переводе в клиническое программное обеспечение и снабжении понятными объяснениями, какие области изображения повлияли на решение, такая модель может помочь врачам быстрее сортировать пациентов, выбирать более подходящее лечение и расширять доступ к экспертной интерпретации изображений в больницах, где её сейчас не хватает.

Цитирование: Muthukumaraswamy, P., Yuvaraj, T. & Krishnamoorthy, R. Semi-supervised multi-class pneumonia classification using a CNN-cascade forest framework. Sci Rep 16, 7448 (2026). https://doi.org/10.1038/s41598-026-38849-1

Ключевые слова: визуализация пневмонии, медицинский ИИ, рентген грудной клетки, КТ, полу-контролируемое обучение