Обнаружение пневмонии на рентгеновских снимках грудной клетки с использованием сверточной нейронной сети на основе глубинного обучения

Пневмония по-прежнему остается серьёзной проблемой общественного здравоохранения, особенно в условиях с ограниченными ресурсами, где доступ к квалифицированной радиологической диагностике затруднён. В данном исследовании предлагается метод на основе глубинного обучения с использованием собственной сверточной нейронной сети (CNN) для бинарной классификации рентгеновских снимков грудной клетки на категории «Пневмония» и «Нормал». Модель обучалась и оценивалась на специально подготовленном наборе данных, включающем 5 856 рентгеновских изображений грудной клетки, с применением методов предварительной обработки и увеличения данных для повышения обобщающей способности. Оценка предложенной CNN-модели показала высокие показатели эффективности: точность - 96,05%, точность (precision) — 98,79%, полнота (recall) - 95,76% и площадь под кривой ROC (AUC) - 0,9921. Кривая precision-recall продемонстрировала средний показатель точности 0,9970, что подтверждает устойчивость модели даже при наличии дисбаланса классов. Полученные результаты подчёркивают потенциал предложенной модели CNN как вспомогательного инструмента для быстрого и точного диагноза пневмонии, особенно в клинической практике и в условиях с ограниченными ресурсами.