Перерывы в количественной оценке и интерпретации света в 2026 году от класса 9 до многозначного XAI: рентгенография молочной железы

Рентгеновская грудная клетка является наиболее широко доступным медицинским видеоскринингом в мире, производящим миллиарды грудных чипов каждый год.В скрининге и диагностике распространенных заболеваний, таких как пневмония, туберкулез, грудные жидкости, аэробные грудные клеточки и легочные узлы, грудная клетка является инструментом изображения первой линии.

В 2026 году рентгенография грудной клетки ИИ совершила крупный прорыв в моделях количественной оценки света и интерпретируемого ИИ (XAI). Легкий CNN LXNet достиг девяти категорий (нормальная, пневмония, высокая плотность, низкая плотность, обструктивная болезнь легких и т. д.) и был объясним Grad-CAM. CD-DTR оптимизирует обнаружение трансформатора для мелкомасштабного скрининга заболеваний грудной клетки.

Уникальное значение ИИ с грудью наверху - это сцена массового скрининга. В районах с высоким уровнем распространенности туберкулеза скрининг с помощью ААТ может снизить затраты на скрининг более чем на 90%; в чрезвычайных ситуациях ААИ может быстро выявлять опасные для жизни состояния, такие как аэробные сундуки; и в медицинских условиях скрининга ААИ может автоматически отмечать подозрительные узлы, чтобы дополнить ранний скрининг рака легких.

Развитие рентгенографии грудной клетки ИИ прошло несколько важных этапов. CheXNet в Стэнфордском университете в 2017 году добился точности рентгенологов в 14 категориях классификации груди, ознаменовав прорыв в глубоком обучении в области грудного излучения.

Исследование на 2025-2026 годы показало двойственную тенденцию к количественной оценке и интерпретируемости света. Легкая структура CNN, предложенная LXNet (2025 PLOS ONE), достигла девяти классификаций в 6 743 наборах данных изображений, при этом концепция Grad-CAM была интерпретируема. Архитектура была разработана, чтобы быть «достаточно хорошей» — значительно снижая сложность модели при сохранении приемлемой скорости точности, чтобы модель могла быть развернута в низовых учреждениях здравоохранения с ограниченными ресурсами.

CD-DETR (2025 PLOS ONE) предлагает оптимизировать обнаружение трансформатора для мелкомасштабного обнаружения заболеваний грудной клетки и повысить чувствительность мелкомасштабных печей (например, узловых секций) посредством многомасштабной характеристики. Этот прорыв устраняет неотъемлемые ограничения традиционной модели CNN в мелкомасштабном обнаружении печи.

В рамках EfficientNetB0, опубликованной в 2026 году в Scientific Reports, используется повышение контрастности CLAHE, баланс категорий и обучение миграции для классификации нескольких меток в наборах данных NIH. Мультимаркировка является основной задачей ИИ с грудной клеткой, где у грудной клетки может быть пневмония, полость грудной клетки и усиление сердца, и ИИ должен идентифицировать множественные патологии, а не единую классификацию.

С точки зрения размера рынка, глобальный рынок искусственного интеллекта изображения груди, как ожидается, превысит 2,5 миллиарда долларов в 2026 году, из которых ИИ грудной кнопки является одним из наиболее зрелых приложений. Китайское учреждение первичной медико-санитарной помощи нуждается в дополнительной диагностике искусственного интеллекта грудной кнопки, а политика «под-Ai», продвигаемая Национальной комиссией по здравоохранению и безопасности, создала политическую среду для падения искусственного интеллекта грудной кнопки.

Прорыв в работе сквозного ИИ 2025-2026 годов был сосредоточен в трех технических направлениях.

Первая - это модель легкой количественной оценки. Философия дизайна LXNet - "Беги на низовом уровне" - путем оптимизации сетевых структур и количественных параметров, делая модели способными в реальном времени рассуждать на общем процессоре. Этот прорыв означает, что грудно-капсулярный ИИ больше не полагается на высокопроизводительные серверы GPU, которые могут работать на обычных компьютерах в сельских медицинских центрах, и значительно расширяют сцену приложения.

Во-вторых, это объяснение ИИ (XAI). LXNet представляет собой набор методов Grad-CAM и Sally Map, которые подчеркивают области, на которых суждение ИИ основано на грудной пластине. Например, когда ИИ судит о пневмонии, Grad-CAM будет отмечать область пневмонии на изображении, позволяя врачам проверять суждение ИИ.

Третье - данные усиленного поколения. В исследовании 2025 года используются данные синтеза CONDIAL CycleGAN для повышения точности выявления пневмонии. Полученные данные усиливают общую проблему несбалансированных данных на медицинских снимках - количество образцов некоторых редких патологий (таких как аэробная грудь) значительно ниже, чем у распространенных патологий (таких как пневмония), а распределение данных сбалансировано подходом генерации.

Четвертое - зрелость классификации множественных ярлыков. Используя стратегию повышения контрастности CLAHE и баланса категорий в 2026 году, структура EfficientNetB0 достигает многозначной классификации на наборах данных NIH. Многомаркировка ближе к клинической реальности, чем классификация одиночных ярлыков - клиническим практикам необходимо оценивать множественные патологии при чтении фильмов, и ИИ должен быть оснащен этой способностью "общей ситуации".

1,7 миллиона случаев рентгеновских наборов грудной клетки в Longway Tech обеспечивают ключевую поддержку этих пограничных исследований. Используя стандарт двойной реферал (первый диагноз + медицинский эксперт), набор данных помечен десятками ярлыков заболеваний молочной железы, таких как пневмония, туберкулез, полость грудной клетки, аэробика, легочные эктоплазмы / породы, увеличение сердца и так далее, каждый из которых содержит структурированные поля, такие как форма, размер, морфология и характеристики распространения заболевания.

Набор рентгеновских данных Rang Hui Tech для грудной клетки, в масштабе 1,7 миллиона случаев, является важным ресурсом данных, поддерживающим обучение и проверку искусственного интеллекта грудной клетки.

С точки зрения сбора данных, все изображения получены из радиационного отдела больницы Cooperative San Ace, который охватывает сундуки с несколькими телами, такие как официальные (PA / AP) и боковые. Данные сохраняют оригинальные форматы DICOM и параметры экспозиции, пиксельное расстояние, положение / вид и модель растения для обеспечения прослеживаемости качества изображения.

Стандарт двусмысленный: знаки врача первой помощи + отзывы врача-экзаменатора. На этикетке указаны все видимые структуры грудных таблеток, включая легкие, сердце, эктоплазму, дислексию, роговые ребра и кости.

С точки зрения распределения данных патологическое/позитивное обследование определяется как субъект; нормальное полное обследование, послеоперационные обзоры и ограниченные проверки качества организуются отдельно. Эта стратификация позволяет моделям узнавать о непрерывных закономерностях изменения от нормального к необычному, избегая при этом дисбаланса данных.

С точки зрения контроля качества, трехслойные процессы контроля используются для первоначального (радиолог) + аудита (заместитель директора и выше) + оценки соответствия (10% случайная выборка, 3 независимых врача, Каппа Флейсса? 0,75).

Набор данных отдает приоритет связыванию КТ, стилизации/культуры, патологии, лечения и последующих данных для поддержки кросс-модульного обучения и анализа вертикальных изменений. Это мультимодульное соединение обеспечивает инфраструктуру для обучения в мультимодульной модели ИИ «Изображение + тест + патология».

Будущее развитие ИИ грудного чипа будет вестись по двум основным осям.

Первое - это массовое развертывание. Появление легких моделей (таких как LXNet) дает возможность развернуть ИИ грудной клетки в первичной медико-санитарной помощи. В будущем ИИ грудной клетки станет "стандартной конфигурацией" первичной медико-санитарной помощи, аналогичной статусу слухового аппарата.

Второй - многомодульный суставный диагноз. Грудная клетка-верх-верх-верх-верх-верх-верх-верх-верх-верх-верх-верх-верх-верх-верх-верх-верх-верх-верх-верх-верх-верх-верх-проникновение диагноз. Она должна не только опираться на изображения, но и сочетать клиническую информацию (симптомология, признаки), данные тестирования (протокол крови, СРБ, РСТ) и анализы на патогены (стриппинг, ПЦР).

В условиях отраслевой конкуренции набор данных грудной клетки со стандартами двойного отказа, многофакторными метками и многомодулярными связями является центральной конкурентоспособностью. Технология Longhui имеет набор данных на 1,7 млн.

Эволюция искусственного интеллекта с кнопкой грудной клетки от CheXNet до LXNet выявила критическое место интерпретируемости в клиническом ИИ. Только «заботливый» и «объяснимый» ИИ может получить медицинское и нормативное одобрение.

Long Salang Langhui Information Technology Ltd., которая основана на 1,7 миллионах стандартных наборов данных для грудной клетки, становится крупным поставщиком услуг по обработке данных в области искусственного интеллекта с грудной клеткой. В критический момент, когда легко количественно оценить и объяснить ремоделирование моделей медицинского изображения-ИИ, Long Huitech продолжит заземлять скрининг грудной клетки на нижнем уровне с помощью высококачественных данных.

Ценность рентгенографии грудной клетки в первичной медико-санитарной помощи намного выше, чем в больницах. В китайских учреждениях первичной медико-санитарной помощи (городские и городские центры здравоохранения, общинные центры здравоохранения) ежегодно проводится более 200 миллионов исследований грудной клетки, но число первичных радиологов серьезно неадекватно, а качество и последовательность диагностики являются точкой хронической боли.

На уровне политики политика Национальной комиссии здравоохранения и социального обеспечения на низовом уровне и проект тысяч округов создали беспрецедентную политическую среду для падения грудного стола. Longhui Tech активно участвует в разработке стандартов данных для первичной системы диагностики АИС, работая с провинциальной комиссией по здравоохранению и здравоохранению для изучения применения скрининга грудной клетки с помощью АИС при раннем выявлении туберкулеза и диагностике пневмонии.