KD-SqueezeNet：一种高效的深度学习算法，用于新生儿肺部疾病的多任务诊断

《Pediatric Radiology》：KD-SqueezeNet: an efficient deep learning strategy for the multi-task diagnosis of neonatal lung diseases

本研究开发KD-SqueezeNet轻量级模型，用于新生儿肺部疾病X光片分类，在准确率和参数量上优于其他模型，并具有临床应用价值。

　　

摘要

背景

深度学习在医学成像领域的应用已经达到了与专家临床医生相当的水平，尤其是在需要精确图像分类的任务中。

目的

本研究开发了KD-SqueezeNet这一轻量级的深度学习模型，通过胸部X光片对新生儿肺部疾病进行分类，旨在提高诊断的准确性和效率。

材料与方法

回顾性分析包括了2,089名具有临床和影像记录的新生儿。胸部X光片被分为五组：支气管肺发育不良（组1，n=205）、肺炎（组2，n=505）、气胸（组3，n=201）、呼吸窘迫综合征（组4，n=629）以及正常（组5，n=549）。数据按照8:1:1的比例分为训练集、测试集和验证集。性能评估指标包括准确率（Ac）、精确度（Pr）、召回率（Rc）、F1分数（F1）、参数数量以及接收者操作特征曲线下面积（AUROC）。

结果

KD-SqueezeNet是一种结合了知识蒸馏技术的可解释模型，在性能上优于EfficientNet、GhostNet、InceptionNet、RegNet和Vision Transformer。在二元分类（健康/患病）任务中，它实现了0.93的准确率、0.93的精确度、0.93的召回率和0.93的F1分数，同时仅使用了723,522个参数。在四类分类（组1/组2/组3/组4）任务中，其准确率为0.86，精确度为0.86，召回率为0.86，F1分数为0.86（使用了724,548个参数），各组的AUROC分别为：组1（0.97）、组2（0.94）、组3（0.96）、组4（0.97）。

结论

KD-SqueezeNet不仅在准确性和稳定性方面表现出色，还有效地利用了计算资源，适用于快速诊断和实际应用中的部署。它在节省时间和服务器空间方面具有重要的临床价值，能够提供辅助诊断，支持临床决策，并在大规模筛查中改善患者预后。

图形摘要

背景

深度学习在医学成像领域的应用已经达到了与专家临床医生相当的水平，尤其是在需要精确图像分类的任务中。

目的

本研究开发了KD-SqueezeNet这一轻量级的深度学习模型，通过胸部X光片对新生儿肺部疾病进行分类，旨在提高诊断的准确性和效率。

材料与方法

回顾性分析包括了2,089名具有临床和影像记录的新生儿。胸部X光片被分为五组：支气管肺发育不良（组1，n=205）、肺炎（组2，n=505）、气胸（组3，n=201）、呼吸窘迫综合征（组4，n=629）以及正常（组5，n=549）。数据按照8:1:1的比例分为训练集、测试集和验证集。性能评估指标包括准确率（Ac）、精确度（Pr）、召回率（Rc）、F1分数（F1）、参数数量以及接收者操作特征曲线下面积（AUROC）。

结果

KD-SqueezeNet是一种结合了知识蒸馏技术的可解释模型，在性能上优于EfficientNet、GhostNet、InceptionNet、RegNet和Vision Transformer。在二元分类（健康/患病）任务中，它实现了0.93的准确率、0.93的精确度、0.93的召回率和0.93的F1分数，同时仅使用了723,522个参数。在四类分类（组1/组2/组3/组4）任务中，其准确率为0.86，精确度为0.86，召回率为0.86，F1分数为0.86（使用了724,548个参数），各组的AUROC分别为：组1（0.97）、组2（0.94）、组3（0.96）、组4（0.97）。

结论

KD-SqueezeNet不仅在准确性和稳定性方面表现出色，还有效地利用了计算资源，适用于快速诊断和实际应用中的部署。它在节省时间和服务器空间方面具有重要的临床价值，能够提供辅助诊断，支持临床决策，并在大规模筛查中改善患者预后。

图形摘要