在低收入和中等收入国家中的抽象引入，肺炎仍然是儿童疾病和死亡的主要原因。推荐的用于诊断小儿肺炎的工具是对胸部X射线图像的解释，这很难标准化，需要训练有素的临床医生/放射科医生。当前的自动计算工具主要集中于评估成年肺炎，并接受了由单个专家评估的图像进行培训。我们旨在使用深入学习方法来提供一种计算工具，以使用由WHO专家X射线图像阅读面板训练的多位专家评估的X射线图像来诊断小儿肺炎。方法和分析目前正在从孟加拉国正在进行的WHO支持的监视研究中收集大约1万个小儿X射线X射线图像。每个图像将由两个训练有素的临床医生/放射科医生阅读，以在每个肺中存在或不存在原发性肺炎（PEP），如WHO所定义。在任何一个肺部都不相处的PEP标签的图像将由第三名专家审查，最终任务将使用多数票进行。卷积神经网络将用于肺部分割，以使图像对齐和扩展为参考，并将图像解释为PEP的存在。该模型将根据来自WHO的独立收集和标记的图像集进行评估。研究结果将是解释用于诊断小儿肺炎的胸部X光片的自动化方法。该研究使用正在进行的WHO协调监视中的现有X射线图像。道德和传播所有研究方案均由孟加拉国儿童健康研究所的伦理审查委员会批准。该研究的发起人认为，不需要获得英国爱丁堡大学研究与发展的学术和临床中央办公室的道德批准。所有发现将在开放式杂志上发表。将公开提供所有X射线标签和统计代码。将根据要求提供模型和图像。