基于 CheXNet 模型的肺部疾病诊断系统与优化方法产品系统

胸片是临床最常用的影像检查之一，但AI辅助诊断落地面临三个现实问题：推理速度慢（大模型难以在普通医院硬件上实时运行）、可解释性不足（黑盒模型输出难以获得放射科医生信任）、报告生成困难（模型只给分类标签，医生仍需手工写报告）。本项目以CheXNet为核心，通过剪枝、轻量化、混合精度与算子融合实现2–4倍推理加速且精度下降不超过5%，同时用Grad-CAM生成病灶热力图并自动生成结构化诊断报告，最终构建前后端分离的全流程自动化诊断系统。

模型推理模块：CheXNet剪枝+轻量化骨干+混合精度+算子融合的加速推理引擎，输出14类胸部病变概率。
可解释性模块：基于Grad-CAM生成病灶热力图，叠加原图输出可视化结果。
报告生成模块：根据分类结果与热力图定位信息，自动生成结构化诊断报告（病变名称、置信度、病灶区域描述）。
前后端分离诊断系统：后端提供推理API，前端提供胸片上传、热力图展示与报告下载的全流程界面。

用户在前端上传胸片，后端完成预处理后调用优化后的CheXNet推理，返回病变概率；Grad-CAM模块对高置信度病变生成热力图，报告模块将概率、热力图定位与模板化医学描述组合成结构化报告，前端展示热力图并支持报告导出。全流程从上传到报告输出自动化完成。

独立完成全部技术栈：
模型压缩与加速：对CheXNet做通道剪枝与轻量化骨干替换，结合混合精度（FP16）推理与算子融合（Conv-BN-ReLU合并等），在精度下降≤5%约束下调优，实现2–4倍推理加速。
可解释性实现：接入Grad-CAM，针对多标签分类设计逐病变热力图生成与叠加展示，保证热力图定位与分类结果一致。
报告生成：设计结构化报告模板与生成逻辑，将病变概率、置信度分级与热力图区域描述自动组合为可读诊断报告。
系统全栈开发：后端推理服务（模型加载、预处理、API接口）与前端界面（上传、展示、报告导出）全部独立完成，前后端分离部署。
技术栈与架构：PyTorch做模型训练、剪枝与推理优化，ONNX/TensorRT或PyTorch原生混合精度与算子融合加速；Grad-CAM基于PyTorch钩子实现；后端Python Web框架提供REST API，前端独立页面调用接口，整体前后端分离。