Evaluacija kompaktnih modela dubokih neuronskih mreža za klasifikaciju rendgenskih snimaka grudnog koša

Сажетак

Detekcija abnormalnosti na rendgenskim snimcima grudnog koša prvenstveno je izazovna usled vremenskih ograničenja i prevelike opterećenosti medicinskih stručnjaka. Neravnomerna raspodela i povremeno nepouzdane labele dodatno otežavaju pouzdanu izgradnju automatizovanih sistema baziranih na neuronskim mrežama. U ovom radu istražene su tri kompaktne arhitekture neuronskih mreža: MobileNetV4, EfficientFormerV2 i EdgeNeXt i upoređene su njihove performanse na ovom zadatku. Korišćenjem binarne klasifikacije i focal gubitka realizovana je adaptacija svakoj od abnormalnosti posebno, time omogućavajući drugačiji pristup od češće korišćene multi-label metode. Modeli su obučavani nad NIH ChestX-ray14 skupom podataka uz trostruku stratifikovanu unakrsnu validaciju i minimalne augmentacije u korist očuvanja strukture slika. EdgeNeXt i MobileNetV4 ostvaruju konkurentne performanse u odnosu na veće, tradicionalne mreže, sa prosečnim ROC AUC vrednostima od 79,59% i 77,73%, dok EfficientFormerV2 postiže 70,95%. Rad potvrđuje potencijal efikasnih modela za primenu u kliničkim uslovima i otvara mogućnosti integracije automatskog generisanja izveštaja kao i objašnjivosti modela.