本專案旨在開發一套基於深度學習的自動化輔助診斷系統，協助醫療人員快速判讀胸腔 X 光影像 (CXR)。

📋 專案摘要 (Abstract)

本專案旨在開發一套基於深度學習的自動化輔助診斷系統，協助醫療人員快速判讀胸腔 X 光影像 (CXR)。

針對 COVID-19 與肺炎特徵在 X 光片上難以肉眼區分的挑戰，本專案選用 MATLAB 作為開發環境，並導入深層殘差網路 ResNet50 進行二元分類任務（Normal vs. Pneumonia/COVID-19）。透過殘差學習 (Residual Learning) 機制解決深層網路的退化問題，最終模型在測試集上展現了良好的召回率 (Recall)，能有效篩檢出潛在的肺炎患者，降低漏診風險。

🛑 問題與挑戰 (The Problem)

在疫情高峰期或醫療資源匱乏地區，放射科醫師面臨巨大的閱片壓力。傳統的人工判讀存在以下痛點：

  1. 判讀耗時： 醫師需要長時間專注查看細微的肺部浸潤特徵。
  2. 特徵模糊： 早期肺炎或 COVID-19 的毛玻璃狀病變 (Ground-glass opacity) 與一般肺部紋理極為相似，容易造成誤判。
  3. 疲勞誤差： 長時間工作導致的視覺疲勞可能增加漏診率。

🛠️ 技術深度剖析 (Technical Deep Dive)

1. 資料前處理 (Data Preprocessing)

資料集包含兩類胸腔 X 光影像：

  • Normal (正常): 肺野清晰，無明顯異常陰影。
  • Pneumonia (肺炎/COVID-19): 肺部呈現斑片狀陰影或實變。

為了提升模型的泛化能力 (Generalization)，我對原始影像進行了標準化處理，並調整至 ResNet50 所需的輸入尺寸 ($224 \times 224$ pixels)。

正常胸腔 X 光 Figure 1: 正常的胸腔 X 光影像 (Normal)，肺野清晰。

肺炎胸腔 X 光 Figure 2: 患有肺炎的胸腔 X 光影像 (Pneumonia)，可見肺部有模糊陰影。

2. 核心架構：ResNet50 與殘差學習 (Residual Learning)

傳統卷積神經網路 (CNN) 在層數加深時，容易遇到梯度消失 (Vanishing Gradient) 或梯度爆炸問題，導致訓練效果反而下降。

為了訓練高達 50 層的深層網路，我採用了 ResNet (Residual Network) 架構。其核心創新在於引入了 「捷徑連接 (Shortcut Connection)」。

假設神經網路某一層的輸入為 $x$，期望學習到的特徵映射為 $H(x)$。ResNet 不直接學習 $H(x)$，而是學習殘差函數 $F(x) = H(x) - x$。最終輸出為：

$$y = F(x, {W_i}) + x$$

  • $F(x, {W_i})$：殘差映射 (Residual Mapping)，即網路層需要學習的變化量。
  • $x$：恆等映射 (Identity Mapping)，直接將輸入訊息傳遞到輸出。

這種 $y = F(x) + x$ 的結構確保了即使在網路極深的情況下，梯度也能透過 $x$ 這條「高速公路」直接回傳，讓模型能有效捕捉 X 光影像中極其細微的病徵特徵。

3. 訓練策略 (Training Strategy)

使用 MATLAB 的 Deep Learning Toolbox 進行訓練。

  • 優化器 (Optimizer): SGDM (Stochastic Gradient Descent with Momentum)
  • 損失函數 (Loss Function): Cross Entropy Loss (二元交叉熵)

📊 成果與數據分析 (Results & Analysis)

根據測試集的混淆矩陣（Confusion Matrix），我們對模型的效能進行了量化評估：

混淆矩陣結果 Figure 3: 測試集的混淆矩陣 (Confusion Matrix)。

1. 混淆矩陣數據解讀

測試集總樣本數：$N = 591$ 張

  • True Positive (TP, 成功預測肺炎): 308 張
  • True Negative (TN, 成功預測正常): 150 張
  • False Positive (FP, 誤判為肺炎): 84 張
  • False Negative (FN, 漏診肺炎): 49 張

2. 關鍵指標計算

  • 準確率 (Accuracy): $$Accuracy = \frac{TP + TN}{Total} = \frac{308 + 150}{591} \approx 77.5%$$ 模型整體判斷正確的比例約為七成八。

  • 召回率 / 靈敏度 (Recall / Sensitivity): $$Recall = \frac{TP}{TP + FN} = \frac{308}{308 + 49} \approx 86.3%$$ 這是醫療診斷最重要的指標。 結果顯示，在所有實際患有肺炎的病人中，模型成功抓出了 86.3% 的案例。這意味著模型作為「第一道篩檢防線」是非常稱職的，能有效減少漏診。

  • 精確率 (Precision): $$Precision = \frac{TP}{TP + FP} = \frac{308}{308 + 84} \approx 78.6%$$ 在模型判斷為肺炎的案例中，有 78.6% 是確診的。雖然有部分正常人被誤判為肺炎（偽陽性 84 例），但在醫療篩檢的情境下，「寧可誤判 (False Positive) 也不要漏診 (False Negative)」 是可接受的權衡。

結論 (Conclusion)

本專案成功利用 ResNet50 架構實現了胸腔 X 光的自動化分類。實驗數據證明，透過殘差學習機制，模型能有效提取肺部病變特徵，並達到 86.3% 的高靈敏度。這套系統具備成為放射科醫師輔助工具的潛力，能在短時間內處理大量影像，標示出高風險案例供醫師優先複查。