苏 洋，张 浩，刘俊彤

(皖南医学院 医学信息学院，安徽 芜湖 241002)

肺炎是目前最常见的感染性疾病之一，多发于2岁以下儿童或老年人群，由于其形成原因复杂，发病期短[1]，如何尽可能早的识别肺炎对其后期诊疗具有重要作用。胸部X光片(Chest X-Ray，CXR)是目前检测肺炎的重要手段。然而，CXR存在图片分辨率低、各器官重叠交叉等问题，容易导致医生误诊，因此使用人工智能技术进行智能辅助诊断具有重要意义[2]。传统的医学图像处理技术，一般通过对图像进行降噪、滤波、特征提取、分类器设计等操作对医学图像进行分类，实现辅助诊断[3]。然而，当图像特征较弱时，其辅助诊断效果也会较差。

近年来，深度学习(Deep Learning，DL)已发展成为医学图像处理的重要技术之一。Pranav Rajpurkar[4]等人设计了一个多层卷积神经网络(ChexNet)进行肺炎识别，其网络层数达到了121层，该算法以CXR图片作为输入，输出肺炎区域，在公开数据集 ChestX-ray14对14种肺部疾病进行了分类验证测试，结果显示ChexNet在部分领域的性能超过了专业医生的平均水平。Kermany[5]等人首先利用迁移学习对卷积神经网络模型进行预训练，然后在此基础上进行后续模型训练，实验结果表明其分类准确率可达到92.80%。由此可见，将迁移学习和深度学习联合使用可以提高模型的分类准确度。

深度学习模型性能的优异与否很大程度上依赖于训练数据集的大小。2017年，谷歌的一份研究报告探索了大数据与深度学习的关系：通过提升训练数据量，可以有效提升模型性能[6]。但在现实场景中，却存在着严重的“数据孤岛”现象[7]，除少数巨头公司能够满足数据要求外，绝大多数企业都存在数据量少、数据质量差等问题，难以支撑人工智能技术。……