Effizientere Brustkrankheitsklassifikation mit CheXNet+EfficientNetV2-M

In der klinischen Praxis ist die Interpretation von Brust‑Röntgenaufnahmen entscheidend, besonders in ressourcenarmen Regionen, wo ein Mangel an Radiologen zu verzögerten Diagnosen führt. Ein neues Modell, das auf der EfficientNetV2‑M‑Architektur basiert, verspricht, diese Herausforderung zu meistern.

Das verbesserte Framework kombiniert die Effizienz von EfficientNetV2‑M mit fortschrittlichen Trainingsmethoden wie Automatic Mixed Precision, AdamW, Cosine‑Annealing‑Learning‑Rate und Exponential‑Moving‑Average‑Regularisierung. Diese Kombination reduziert die Rechenlast und verbessert die Klassifikationsleistung erheblich.

Für die Evaluation wurden 18.080 Röntgenbilder aus drei renommierten Quellen genutzt, die fünf klinisch relevante Krankheitskategorien abdecken: Kardioomegalie, COVID‑19, Normal, Pneumonie und Tuberkulose. In neun unabhängigen Experimenten erzielte das Modell eine durchschnittliche Test‑Genauigkeit von 96,45 % – ein signifikanter Anstieg gegenüber den 95,30 % des Basismodells – und einen makro‑durchschnittlichen F1‑Score von 91,08 %. Besonders beeindruckend sind die nahezu perfekten Erkennungsraten für COVID‑19 (99,95 %) und Tuberkulose (99,97 %).

Obwohl das neue Modell etwa 6,8‑mal mehr Parameter enthält, bleibt die Effizienz dank der Optimierungen erhalten. Diese Fortschritte legen den Grundstein für eine zuverlässige, automatisierte Diagnostik von Brust‑Röntgenbildern und könnten die Versorgung in unterversorgten Gebieten nachhaltig verbessern.