学生体检胸部X线医学影像图像快速分类方法探析与研究

学生体检胸部X线医学影像图像快速分类方法探析与研究

王荣1， 梁登峰2，张光明1， 刘子玮1，侯亮2，聂泽花3

1.河西学院医学院医学影像技术专业  甘肃张掖  734000

2.河西学院信息技术与传媒学院人工智能专业  甘肃张掖  734000

3.河西学院医学院医学影像教研室  甘肃张掖  734000

摘要：目的：研究学生体检胸部X线医学影像图像快速分类方法。方法：选取2022年9月至2023年10月期间参与体检的大一新生1024人，同时采用人工方式和人工智能方式对所有研究对象体检胸部X线医学影像图像进行快速分类。人工智能方式指的是拟结合人工智能机器学习的方法，进行医学影像数据预处理，研究通过神经网络模型的设计搭建，确保训练的模型可对危及公共卫生安全的一些疾病的图像进行高效、快捷的分类。结果：人工智能分类准确性更高，P<0.05。结论：在学生体检胸部X线医学影像图像快速分类方面，人工智能方式比人工方式有效果。

关键词：学生体检；胸部X线医学影像；图像快速分类

近年来，随着医学影像技术的快速发展，胸部X线影像在临床诊断中得到了广泛应用[1-2]。作为学生体检的重要环节之一，胸部X线影像检查在保障学生健康方面起着关键作用[3-4]。然而，由于学生人数众多，胸部X线影像的数量庞大，传统的人工诊断方法已经无法满足快速且准确的分类需求[5]。人工智能在胸部X线医学影像图像快速分类方面发挥着重要作用[6-7]。基于深度学习的人工智能方法可以自动学习和提取图像特征，从而实现快速、准确的分类，提高学生体检的效率和准确性，为临床诊断提供有力的支持[8]。基于此，本文选取多名学生参与实验，目的是研究学生体检胸部X线医学影像图像快速分类方法，结果如下。

1 资料与方法

1.1 一般资料

本次研究选取2022年9月至2023年10月期间参与体检的大一新生1024人，分别采用人工方式和信息技术模型对所有研究对象体检胸部X线医学影像图像进行快速分类，对比两种方式的准确性。研究对象的年龄范围为17岁-21岁，平均（18.24±1.03）岁，男424名，女600名。

排除标准：①影像质量不合格；②图像缺失；③其他疾病影响；④学生不同意。

纳入标准：①学生体检胸部X线影像数据；②影像质量合格；③病例信息完整；④知情且同意。

1.2 方法

同时采用人工方式和人工智能方式对所有研究对象体检胸部X线医学影像图像进行快速分类。人工方式指的是收集图像，人工审查。

人工智能方式：①载入人工智能Python第三方库：例如TensorFlow、Keras、PyTorch等，这些库提供了丰富的深度学习工具和函数，方便构建和训练神经网络模型。②导入采集的医学影像胸部X线光片数据：将采集的学生体检胸部X线影像数据导入到Python环境中，可以使用Pandas或NumPy库来读取和处理数据。③数据标签和分类整理：对导入的数据进行标签，例如将正常影像标记为0，异常影像标记为1。根据需要，可以对数据进行进一步的分类整理，例如按疾病类型、病情程度等进行分类。④医学影像数据的预处理：使用专业软件对医学影像数据进行预处理。预处理的步骤可能包括图像去噪、图像增强、图像对齐、图像分割等，以提高图像质量和减少噪声干扰。⑤针对学生群体搭建神经网络模型：根据需求和数据特点，选择适合学生体检胸部X线影像分类的神经网络模型，如卷积神经网络（CNN）。可以使用Keras或PyTorch等库来构建模型，包括定义网络结构、设置激活函数、添加卷积层、池化层和全连接层等。⑥算法分析和模型选择：使用计算机编程知识对搭建的神经网络模型进行分析，包括评估模型结构和性能，根据评估结果选择适合要求的模型。可以调整模型的超参数，如学习率、批次大小等，以优化模型的性能。⑦训练模型和调试：使用标签好的数据集对搭建的神经网络模型进行训练。训练过程中，可以使用反向传播算法更新模型的权重和偏置，以最小化损失函数。同时，通过调试和验证集的评估，对模型进行调整和改进，以提高模型的准确性和泛化能力。⑧图像的分类判别：训练好的模型可以用于对新的学生体检胸部X线影像进行分类判别。将待分类的影像输入到模型中，模型会输出分类结果，指示影像是正常还是异常。

1.3 观察指标

分类准确性：分类结果与实际标签的一致性。通过比较分类结果与实际标签，计算分类准确率，即正确分类的样本数与总样本数的比例。针对具体医学病灶的图像分类，将胸片检查用于判断肺结核传染病，以临床检查为金标准，共32例，对比人工分类和人工智能分类的准确性。

1.4 统计学处理

数据使用SPSS 22.0软件分析，“P<0.05”，代表差异具有统计学意义。计量方式是（），检验值为“t”，计数方式为[n (%)]，使用检验计数资料。

2结果

人工智能分类准确性更高，P<0.05。具体见表1。

表1：人工方式与人工智能方式分类准确度对比[n (%)]

3讨论

学生体检胸部X线医学影像图像的快速分类很有必要[9]。传统的人工方式需要医生花费大量的时间和精力来观察和分析胸部X线图像，然后进行分类判断[10]。而采用人工智能方式可以实现自动化分类，大大提高了诊断的效率，节省了医生的时间，使得体检结果能够更快地得到反馈[11]。人工智能方式通过机器学习算法和深度学习模型可以学习大量的数据和样本，能够更好地捕捉到与不同疾病相关的特征。相比之下，人工方式可能受医生个体经验和主观判断的影响，存在误诊和漏诊的风险。所以，采用人工智能方式可以提高分类的准确性，减少误诊和漏诊的发生。采用人工智能方式进行快速分类也可以减少医生的工作量，提高工作效率，从而降低医疗成本[12]。通过对大量的胸部X线图像进行分析和学习，人工智能模型可以提供关于疾病的预测和概率，帮助医生做出更准确的诊断和治疗决策。最重要的是，采用人工智能方式进行学生体检胸部X线医学影像图像的快速分类，可以积累大量的数据和样本，为医学研究提供宝贵的资源。同时，通过对分类结果的分析和研究，可以深入探索疾病的特征和规律，为医学教育提供有益的教学材料和案例。因此，学生体检胸部X线医学影像图像的快速分类具有重要的实际意义，可以提高诊断效率、分类准确性，降低医疗成本，辅助医生决策，促进医学研究和教育的发展。

本研究结果表明，通过人工智能方式进行学生体检胸部X线医学影像图像快速分类具有较高的准确性。综上所述，人工智能技术的应用能够实现医学图像的准确、高效分类，值得在临床上进行推广。

参考文献

[1]赵秀圆,张福青. AI应用在医学影像领域研究热点的可视化分析 [J]. 中国数字医学, 2023, 18 (11): 83-89.

[2]戴维理,辛雪. 人工智能辅助医学影像诊断产业及专利技术分析 [J]. 河南科技, 2023, 42 (15): 124-127.

[3]叶子杨,余海洋. 基于不确定性估计的医学影像标志点定位 [J]. 计算机系统应用, 2023, 32 (10): 1-9.

[4]汪春妹. 数字化赋能高考体检的淳安实践 [J]. 浙江考试, 2023, (06): 57-58.

[5]赵永根,朱珠,余卓等. 基于影像组学和机器学习的医学影像分析平台的研究与应用 [J]. 中国医疗器械杂志, 2023, 47 (03): 272-277.

[6]贾楠,马宁,吴燕等. “傻瓜式”医学影像深度学习分析平台的设计与开发 [J]. 现代信息科技, 2023, 7 (10): 18-21.

[7]彭芳,张震江,任鸿伦等. 胸部影像智能诊断技术在远程会诊中的应用 [J]. 中国数字医学, 2023, 18 (04): 57-62.

[8]王艺诺. 大学新生体检生化指标异常结果分析的价值研究 [J]. 中国社区医师, 2022, 38 (30): 154-156.

[9]吕波. 基于大数据分析的海量图像快速分类研究 [J]. 自动化技术与应用, 2022, 41 (10): 85-88.

[10]陈向根. 数字化摄影DR在胸部X线摄影技术中的临床应用价值分析 [J]. 影像研究与医学应用, 2020, 4 (22): 115-116.

[11]李克,付玏,花蕊. 脑健康智能化医学影像报告的构成 [J]. 中国医学计算机成像杂志, 2020, 26 (04): 390-396.

[12]吴梦香,刘挨师. 人工智能医学影像在胸部应用的机遇与挑战 [J]. 影像研究与医学应用, 2020, 4 (02): 11-13.

项目名称：甘肃省大学生创新创业训练计划项目   编号：S202210740144