背景介绍
仅在美国，每年就有 100 多万成年人因肺炎住院，其中约 5 万人因此死亡（CDC，2017）。 目前，胸部 X 光检查是诊断肺炎的最佳方法（WHO，2001），它在临床护理和流行病学研究中发挥着至关重要的作用。然而，通过 X 光片来检测肺炎是一项具有挑战性的任务，需要依赖放射科医师的专业能力。在这项工作中，我们提出了一个模型，可以通过胸部 X 光片自动检测肺炎，其准确率甚至超过了放射科医师。
模型介绍
我们的模型 ChexNet是一个 121 层的卷积神经网络（DenseNet121[6]），它的输入是胸部 X 光片，输出是肺炎的概率以及热点图（heatmap）——用来定位最能指示肺炎的图像区域。我们利用最近发布的 ChestX-ray14 数据集对 CheXNet 进行了训练，该数据集包含 112,120 个单独标注的 14 种不同胸部疾病（包括肺炎）的正面胸部 X 光片。我们使用密集连接（dense connections）和批量归一化（batch normalization ）来优化这种深度网络
数据集
ChestX-ray14[2]公开数据集，包含30805个病人在内的112120张前向胸部X光图像，分为包括肺炎在内的14类胸部疾病。
数据划分：
训练集：28744个病人（93.3%），98637张图像；
验证集：1672个病人（5.4%），6351张图像；
测试集：389个病人（1.3%），420张图像
预处理
1. 所有图片下采样为224×224；
2. 使用ImageNet训练集上的均值和方差进行标准化（normalize based on the mean and standard deviation of images in the ImageNet training set. ）
3. 数据增强：随机水平翻转 （笔者认为不好，没做）
与放射科医生对比
四个放射科医生标注测试集，来源于斯坦福大学，工作经验分别为4,7,25和28年
模型架构和训练：
模型架构：
121层的DenseNet，使用ImageNet上的预训练模型
损失函数
加权二分类交叉熵
优化算法
Adam