Deep Learning CNN for Pneumonia Detection: Advancing Digital Health in Society 5.0

Technische Samenvatting: Deep Learning CNN voor Pneumonie-detectie

1. Probleemstelling

Pneumonie is een ernstige wereldwijde gezondheidskwestie die leidt tot hoge morbiditeit en mortaliteit, vooral bij kinderen onder de vijf jaar, ouderen en immunocompromitteerde patiënten. Hoewel röntgenfoto's van de thorax (CXR) de meest toegankelijke en kosteneffectieve diagnostische methode zijn, is de interpretatie sterk afhankelijk van radiologen. Dit leidt tot variabiliteit in resultaten en diagnostische fouten, een probleem dat verergerd wordt in regio's met beperkte middelen waar geschoolde radiologen ontbreken.

Bestaande methoden voor automatische detectie maken vaak gebruik van complexe voorverwerkingstechnieken (zoals Dynamic Histogram Equalization) om de beeldkwaliteit te verbeteren. Deze technieken kunnen echter artefacten of ruis introduceren die de klinische betrouwbaarheid verminderen. Er is dus behoefte aan een robuust model dat hoge nauwkeurigheid bereikt zonder zwaar te vertrouwen op complexe voorverwerking.

2. Methodologie

De studie ontwikkelt een Convolutional Neural Network (CNN) gebaseerd op deep learning voor de automatische classificatie van CXR-beelden in twee categorieën: Normaal en Pneumonie.

• Dataset: Er is gebruikgemaakt van het publieke "Chest X-ray Pneumonia Dataset" van Kaggle, afkomstig van het Guangzhou Women and Children's Medical Center.
  • Totale dataset: 5.863 beelden (kinderen, 1–5 jaar).
  • Verdeling: 5.216 beelden voor training, 16 voor validatie en 624 voor testen.
• Voorverwerking en Data Augmentatie:
  • Beelden zijn omgezet naar grijswaarden en geresize naar 128 × 128 pixels.
  • Normalisatie naar het bereik [0, 1].
  • Geen complexe beeldverbetering: In tegenstelling tot eerdere studies, wordt geen gebruikgemaakt van histogram-equalisatie.
  • Augmentatie: Om overfitting te voorkomen en generalisatie te verbeteren, werden tijdens het trainen willekeurige rotaties (±30°), zooms (tot 20%), horizontale flips en verschuivingen toegepast via Keras ImageDataGenerator.
• Model Architectuur:
  • Een aangepaste CNN-architectuur met twee convolutieblokken (respectievelijk 64 en 128 filters), gevolgd door 2x2 max-pooling.
  • Een Flatten-laag, gevolgd door een dichtbevolkte (Dense) laag met 128 neuronen (ReLU-activatie) en een Dropout-laag van 0,5.
  • Uitgelaag: 1 neuron met Sigmoid-activatie voor binaire classificatie.
• Training:
  • Optimizer: Adam (learning rate 0,001).
  • Loss-functie: Binary Cross-Entropy.
  • Callbacks: ReduceLROnPlateau om de learning rate te verlagen als de validatie-loss niet verbetert.
  • Duur: Training uitgevoerd voor 10, 20 en 50 epochs met een batch size van 32.

3. Belangrijkste Resultaten

Het model werd geëvalueerd op de onafhankelijke testset (624 beelden) met verschillende trainingsduur.

• Optimale Prestatie: De beste resultaten werden behaald bij 20 epochs.
  • Testnauwkeurigheid (Accuracy): 91,67%.
  • ROC-AUC: 0,96.
  • PR-AUC: 0,95.
• Klassificatie-per-persoon:
  • Bij 20 epochs was er sprake van een sterke balans: 97% recall voor de "Normaal" klasse en 83% recall voor de "Pneumonie" klasse.
  • De verwarringmatrix toonde aan dat de meeste fouten bestonden uit pneumoniegevallen die ten onrechte als normaal werden geclassificeerd (een bekend probleem bij onbalans in datasets), maar het totale aantal fouten was minimaal.
• Vergelijking: Het voorgestelde model presteerde competitief ten opzichte van bestaande studies (zoals Liang & Zheng, 2020, en diverse DenseNet-implementaties), met name omdat het hoge nauwkeurigheid bereikte zonder complexe voorverwerking.

4. Kernbijdragen

1. Vereenvoudigde Voorverwerking: Het bewijs dat een goed ontworpen CNN-architectuur, gecombineerd met standaard normalisatie en data-augmentatie, hoge diagnostische nauwkeurigheid kan bereiken zonder de noodzaak van complexe beeldverbeteringstechnieken die artefacten kunnen veroorzaken.
2. Optimalisatie van Training: Het identificeren van het "sweet spot" bij 20 epochs; langere training (50 epochs) leverde slechts marginale verbeteringen op, wat efficiëntie in rekentijd suggereert.
3. Robuustheid: Het model toont een sterke discriminatiekracht (hoge AUC-waarden) tussen gezonde en zieke longen, wat het geschikt maakt als ondersteunend hulpmiddel.

5. Betekenis en Toekomstperspectief

De studie onderstreept het potentieel van AI om de gezondheidszorg te transformeren, in lijn met de visie van Society 5.0 (integratie van cyber- en fysieke systemen voor menselijk welzijn).

• Klinische Impact: Het systeem biedt een snelle, consistente en betrouwbare diagnosehulp, wat cruciaal is voor regio's met een tekort aan radiologen.
• Toekomstig Onderzoek: De auteur stelt voor om de dataset uit te breiden met meer demografische variatie en verschillende oorzaken van pneumonie, en om het model te integreren in bestaande ziekenhuisinformatiesystemen voor daadwerkelijke klinische implementatie.

Conclusie: Het ontwikkelde CNN-model is een veelbelovend, kosteneffectief instrument voor de vroege detectie van pneumonie, dat de betrouwbaarheid van diagnostiek verhoogt en de drempel voor toegang tot kwaliteitszorg in beperkte omgevingen verlaagt.