该项目旨在通过机器X射线图像预测肺炎的机器学习挑战。 原始数据集RSNA肺炎需要在X射线胸片中定位肺不透明区域。 我们将此数据集调整为“正常”与“肺不透明度”的二元分类。 我们训练一个分类器，然后在定位异常区域时测试其性能。 我们研究了两种协议来系统地评估GradCAM生成的注意力热图。 第一个协议使用边界框内的比例（跟随GradCAM）评估关注热点图的可信赖性。 注意权重矩阵和边界框从修改第二种协议通过带注释的和预测的边界框的“交集上的交集”来度量可信赖性。 预测边界框定义为保持激活至