利用低成本热成像技术和深度学习进行肺部疾病（肺炎和COVID-19）的治疗监测与非侵入性诊断

低成本热成像结合优化深度学习技术实现呼吸疾病自动化诊断与监测，准确率达99.57%，Grad-CAM可视化验证模型可解释性。

摘要

目的

本研究的主要目的是探讨低成本热成像技术与优化深度学习技术相结合，是否能够提供一种准确、安全且无创的解决方案，用于呼吸系统疾病的自动化诊断和治疗监测。具体而言，该研究关注的是：是否能够有效识别与肺部炎症相关的热信号模式，并将其区分开来，从而可靠地分类COVID-19、肺炎和健康个体，同时保持高诊断准确性和模型可解释性，以适应资源有限的临床环境。

方法

设计了一个基于热成像的诊断框架，该框架包括强大的图像预处理、多领域手工特征提取以及一种结合了Coati优化算法和Marine Predators算法的混合特征选择策略。使用模拟的热图像（代表COVID-19、肺炎和健康状态）对定制的深度学习模型进行了训练和评估，这些模型包括多层感知器（MLP）、循环神经网络（RNN）、基于注意力的卷积神经网络（CNN）以及基于迁移学习的架构。通过使用梯度加权类别激活映射（Grad-CAM）增强了模型的可解释性。

结果

优化后的框架取得了较高的分类性能：在70/30的训练-测试分割下准确率为98.58%，在80/20的分割下准确率为99.57%。Grad-CAM可视化结果一致地识别出对模型预测有贡献的疾病相关热区域，从而支持了诊断的可靠性和模型的可解释性。

提出的低成本热成像与深度学习框架作为一种无辐射的自动化筛查和监测呼吸系统疾病的解决方案，展现了巨大的潜力。其高诊断准确性和可解释性表明它适用于大规模、资源有限的医疗环境。