中国放射科医学影像增速达30%,放射科医生增速为4.1%,放射科影像数据的增长速率远远高于放射科医生的增长速率,目前最主要的X光片审阅依靠人工审阅的方式,放射科医生每天需要面临很大的压力,误诊和漏诊率也会增加。同时,因为个体差异,不同放射科医生对X光片审阅结果也存在差异。科研医疗机构希望能利用大数据与人工智能的相关技术来辅助放射科医生进行医学图像识别,提高医学影像数据识别的准确率,减轻放射科医生的压力,以达到疾病早发现、早治疗的目的。本课题在云平台下利用大数据技术对肺部X光影像数据进行分布式存储,利用深度学习技术从大量的肺部X光图像中进行自动地特征提取。对比了AlexNet、MobileNets、VGG16神经网络模型对肺部X光图像识别的准确率,选取分析效果较好的VGG16网络模型进行两次算法的改进,分别将改进后的算法命名为VGG-X和VGG-X1,VGG-X网络模型将VGG16网络中的标准卷积替换为了深度可分离卷积,VGG-X1网络模型则是在VGG-X网络的池化层之后加入了BN层。将改进后的网络模型用于对实变、肺水肿、积液、肺气肿、纤维化、疝、渗透、肿块、肺炎、正常10个类别进行识别。经过实验测试,改进后的神经网络模型在对常见肺部症状进行识别时达到了85%以上的平均准确率,相较于VGG16,提升了对常见肺部症状识别的准确率,而且改进后的网络模型的参数量低于VGG16,缩短了需要花费的时间。此外,利用大数据技术对肺部X光图像数据进行存储,提高了整个识别系统的可扩展性,保证了数据存储的安全性。