Оптимизированная архитектура EfficientNetB0 с предварительной обработкой на основе CLAHE для точной многоклассовой классификации рентгенограмм грудной клетки

Более умная помощь от рентгена грудной клетки

Рентген грудной клетки — один из самых распространенных медицинских тестов в мире, но их правильная интерпретация — особенно когда одновременно проявляются несколько проблем с легкими или сердцем — далека от простоты. В этом исследовании описана новая компьютерная система, которая помогает врачам точнее выявлять несколько заболеваний грудной клетки по одной рентгенограмме, используя тщательно настроенную модель искусственного интеллекта и этапы улучшения изображения, которые делают тонкие детали более заметными.

Почему снимки грудной клетки трудно читать

На рентгене грудной клетки многие слои органов и тканей накладываются друг на друга: ребра, легкие, сердце и сосуды формируют одно плоское изображение. Опытные рентгенологи учатся распутывать эту визуальную головоломку, но даже им бывает сложно, когда одновременно присутствуют несколько состояний, например скопление жидкости в плевральной полости, инфекция и увеличение сердца. Ранние системы компьютерной помощи часто упрощали эту реальность, рассматривая каждое изображение как показывающее либо одну проблему, либо ее отсутствие. Это снижает их полезность в клинике, где у пациентов часто встречается более одного заболевания одновременно.

Создание более чистого изображения легких

Исследователи начали с большой публичной коллекции более 100 000 анонимных рентгенограмм грудной клетки из Национальных институтов здравоохранения США. Они сосредоточились на пяти ключевых находках, важных в повседневной практике: нормальное исследование, пневмония, коллапс легкого (пневмоторакс), скопление жидкости вокруг легкого (выпот) и увеличение сердца (кардиомегалия). Перед тем как обучать ИИ на изображениях, каждую рентгенограмму пропустили через стандартизованный конвейер очистки. Изображения оставались в градациях серого, их контраст мягко усиливали с помощью метода CLAHE, чтобы выявить слабые паттерны в легких, выравнивали яркость для единообразия и приводили все снимки к одинаковым размерам. Команда также сбалансировала редкие и частые находки, аккуратно повторяя некоторые примеры и сокращая другие, чтобы модель не игнорировала редкие, но важные заболевания.

Обучение ИИ, учитывающего сложность реальной практики

В основе системы лежит сеть EfficientNetB0 — современная архитектура глубокого обучения, известная тем, что обеспечивает высокую производительность при относительно небольших и быстрых моделях. Авторы адаптировали эту сеть под смешанную реальность рентгенографии грудной клетки: вместо принудительного единичного ответа система выдает отдельную вероятность для каждой из пяти находок, что позволяет отмечать несколько проблем на одном изображении. Они добавили компонент, похожий на механизм внимания, который помогает модели выделять наиболее информативные паттерны, и использовали специальное правило обучения, фокусирующее обучение на самых трудных, легко пропускаемых случаях. Обучение проводилось в два этапа — сначала настраивались только финальные слои, затем производилась донастройка всей сети — с использованием строгой кросс-валидации, чтобы убедиться, что результаты стабильны и не зависят от случайных разбиений данных.

Насколько хорошо работает система

Чтобы проверить, действительно ли их подход помогает, команда сравнила EfficientNetB0 с двумя популярными альтернативами — DenseNet121 и MobileNetV2 — в одинаковых условиях. Все три модели показали схожую общую точность, но оптимизированный EfficientNetB0 выделялся там, где это наиболее важно в медицине: он лучше разделял больных и здоровых и реже пропускал диагнозы. По всем пяти находкам он достиг высокого среднего показателя различения болезни и её отсутствия, а особенно хорошо показал себя при пневмонии и кардиомегалии. Даже для более сложных случаев — пневмоторакса и выпота, где признаки на рентгене могут быть слабо выражены и перекрываться с другими проблемами — модель сохраняла надежную способность обнаружения при последовательности повторных тестов.

Что это значит для пациентов и врачей

Исследование показывает, что внимание ко всему рабочему процессу — от того, как очищаются и балансируются рентгенограммы, до того, как обучается ИИ — может привести к инструменту, лучше отражающему хаотичную реальность больничной визуализации. Вместо замены рентгенологов предлагаемая система задумывается как вторая пара глаз, отмечая несколько возможных проблем на одной рентгенограмме грудной клетки и привлекая внимание к случаям, которые требуют более тщательной проверки человеком. Благодаря сильным результатам на большой публичной базе данных и дизайну, который можно адаптировать под другие коллекции, этот подход приближает компьютерную помощь в диагностике к повседневному применению, где более быстрые и надежные расшифровки рентгенограмм грудной клетки могут помочь пациентам получить своевременное и адекватное лечение.

Цитирование: Hegazy, N.Y., Sawah, M.S. An optimized EfficientNetB0 framework with CLAHE-based preprocessing for accurate multi-class chest X-ray classification. Sci Rep 16, 10811 (2026). https://doi.org/10.1038/s41598-026-42492-1

Ключевые слова: ИИ для рентгена грудной клетки, обнаружение заболеваний легких, глубокое обучение в радиологии, предобработка медицинских изображений, многометочная классификация