SynthEnsemble：用于多标签胸部X光分类的CNN、视觉变换器和混合模型融合方法

胸部X光片广泛用于诊断胸腔疾病，但由于这些异常情况的详细信息不足，开发准确的自动化诊断系统变得极具挑战性，而早期发现和有效治疗对此类疾病至关重要。为了解决这一难题，我们采用了深度学习技术来识别胸部X光片中与不同疾病相对应的模式。我们在“ChestX-ray14”数据集上进行了实验，使用了多种预训练的卷积神经网络（CNN）、变压器模型（transformers）、混合模型（CNN+Transformer）以及经典模型。表现最佳的单一模型是CoAtNet，其在接收者操作特征曲线下的面积（AUROC）达到了84.2%。通过使用差分进化方法确定每个模型的权重，并对所有训练模型的预测结果进行加权平均集成，我们将AUROC进一步提高到85.4%，超过了该领域的其他最先进方法。我们的研究结果表明，深度学习技术，尤其是集成深度学习技术，在提高胸部X光片自动诊断胸腔疾病的准确性方面具有巨大潜力。代码可在以下地址获取：https://github.com/syednabilashraf/SynthEnsemble