突破人工评分局限
肺超声（Lung Ultrasound）作为胸部成像技术，其诊断准确性已媲美CT扫描，且具备便携、易用的显著优势，在重症患者快速评估及基层医疗场景中潜力巨大。然而，传统人工评分高度依赖临床医生的主观判断，受经验差异影响，易导致诊断不一致甚至误诊。针对这一痛点，浙江大学第二附属医院团队提出了一种基于8分制的自动化评分网络——DGF-ResNet（详细全局融合残差网络）。该网络通过混合特征融合模块，将局部细节特征与全局上下文特征有机结合，旨在解决现有评分体系信息量不足的问题，为肺通气监测和肺损伤评估提供更精准的数据支持。
技术架构创新
DGF-ResNet的核心创新在于其独特的特征提取机制。网络设计了局部特征提取（DFE）模块，采用局部通道与空间注意力机制捕捉细微病灶细节；同时引入全局特征提取（GFE）模块，利用三阶递归门控卷积结合全局通道与空间注意力机制，有效提取图像的全局语义信息。这种设计弥补了传统卷积神经网络（CNN）缺乏空间交互能力以及视觉Transformer（ViT）在局部细节捕捉上的不足。此外，研究团队还提出了三元平滑交叉熵损失函数（Triplet-SmoothCE），专门用于增强模型在0-7分制评分系统中的鲁棒性，引导网络学习区分肺通气的细微差异。
性能表现与临床价值
在浙江大学第二附属医院提供的FCSPF-13324数据集上的实验表明，DGF-ResNet在准确率、精确率、召回率和F1分数等关键指标上均优于主流模型。具体而言，该网络在多项指标上显著超越了Vision Transformer、VGG16和ResNet50。下表展示了关键性能对比数据：
| 模型 | 准确率提升 | 精确率提升 | F1分数提升 |
|---|---|---|---|
| Vision Transformer | +7.05% | +4.52% | +5.89% |
| VGG16 | +3.06% | +4.37% | +3.80% |
| ResNet50 | +2.05% | +4.26% | +3.34% |
这一技术突破对于医疗行业具有深远意义：
该成果不仅验证了融合局部与全局特征在医学影像分析中的有效性，也为未来开发更智能的辅助诊断系统奠定了坚实基础。
