💻 计算机科学

LungColonCancerPred-NN: A Neural Network Approach for Lung and Colon Histopathology Prediction

本文介绍了 LungColonCancerPred-NN，这是一种紧凑的三分支神经网络，通过基于增强族（augmentation-family-based）的严格评估协议解决了 LC25000 基准测试中的数据泄露问题，从而在五分类肺部和结肠组织病理学分类中实现了 99.25% 的最先进准确率。

原作者： outhman abbassi, Zeyneb Belganche, Wajih Rhalem, Nassim Kharmoum

发布于 2026-11-10

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： outhman abbassi, Zeyneb Belganche, Wajih Rhalem, Nassim Kharmoum

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

每年都有数百万人被诊断出患有癌症，其中两种最常见且致命的形式分别影响肺部和结肠。当医生怀疑这些疾病时，他们依赖病理学家在显微镜下检查微小的组织切片。这些切片经过特殊染色的处理，使细胞核呈现紫色，而其他部分呈现粉色，从而构建出一幅人体微观结构的复杂地图。病理学家的工作就是解读这张地图，区分健康组织与癌组织，并确定癌症的具体类型。这是一项至关重要的任务，因为一种肺癌的治疗方法通常与另一种不同，而且良性生长与恶性生长之间的区别决定了患者是需要手术还是化疗。然而，这个过程缓慢、困难，且完全依赖于高水平训练过的专家。

多年来，科学家们一直试图教会计算机阅读这些微观地图，希望创造出一种能够协助医生甚至独立工作的工具。他们利用大量的数字图像集合来训练这些被称为神经网络的计算机程序，以识别模式。但在这些集合的构建方式中隐藏着一个陷阱。许多用于训练的图像并非来自不同患者的独特照片。相反，它们是通过对单张原始图像进行数字旋转、翻转或轻微平移而生成的多个版本。如果一个计算机程序在测试时遇到了一张仅仅是它在训练阶段见过之图像的翻转版本，它之所以能得出正确答案，可能并不是因为它理解了疾病，而仅仅是因为它认出了那张图片。这种被称为“数据泄露”的缺陷，使得人们很难判断这些计算机程序是真的学会了诊断癌症，还是仅仅记住了测试题。

摩洛哥穆罕默德五世大学的一个研究小组现在直接解决了这个问题。他们构建了一个名为 LungColonCancerPred-NN 的新计算机系统，并使用了一种比以往更严格的方法对其进行了测试。他们没有随机打乱图像，而是根据原始来源对图像进行了仔细分组。他们首先从两个大型公共组织图像库中提取了总计 4 万个文件。首先，他们删除了数千个重复出现的完全相同的数字文件。然后，他们寻找了来自同一名患者样本的图像“家族”。通过一个能够理解图像在旋转或翻转后仍保持外观一致性的智能系统，他们将所有相关的图像归为一组。接着，他们确保没有任何一组相关图像会被拆分到训练集和测试集之间。这意味着计算机必须从零开始学习识别疾病，而不会在训练过程中看到测试图像的任何近乎副本。

他们构建的这个计算机系统非常精简，包含约 580 万个可调节参数，小到足以在标准显卡上运行。它的工作原理是同时通过三个不同的“镜头”观察组织图像。第一个镜头专注于细胞的整体纹理和颜色，就像人类眼睛扫描整体模式一样。第二个镜头寻找相似的特定细胞形状和细胞群，即使它们在图像中相距甚远，该镜头也能将分散的部分联系起来。第三个镜头则关注每个细胞的确切位置，理解组织在空间中的组织方式。随后，一个特殊的机制会权衡这三个镜头对每张图像的信息权重，在做出最终决策前决定哪种视角最为重要。

当研究人员将该系统应用于 5,497 张它从未见过的图像时，结果表现出了惊人的准确性。该计算机在 99.25% 的案例中正确识别了组织类型。更重要的是，它从未犯下最危险的错误：它从未将癌性组织误标为健康组织。它确实也犯了一些错误，但大多是在混淆两种特定的肺癌类型之间，而这正是人类病理学家有时也会面临且需要额外检测才能解决的挑战。该系统在几乎所有案例中都能正确识别组织来自哪个器官。与最近在相同数据集上测试的其他计算机程序相比，尽管这个新系统在解决一个更难的问题（即区分五种不同类型的组织而非三种），其表现依然更优。

这项工作的成功不仅在于高准确率，更在于测试设计的方式。通过确保测试图像是真正的全新图像而非训练数据的副本，研究人员证明了他们的系统确实学习到了癌症的生物学特征。他们发现，计算机对其答案的置信度是经过良好校准的，这意味着它知道自己何时不确定。这种方法为开发医学人工智能提供了更清晰的路径，表明通过细致的测试，这些工具可以超越简单的模式匹配，成为可靠的医生助手。研究人员计划在一个来自不同医院的完全不同的图像集上测试他们的系统，以观察它是否能应对现实世界的变化，这是该技术投入临床帮助患者之前至关重要的一步。

技术摘要：LungColonCancerPred-NN

问题陈述
肺癌和结直肠癌是全球癌症死亡的主要原因，其诊断高度依赖于对苏木精-伊红（H&E）染色组织切片的显微镜人工读片。虽然深度学习为计算机辅助分类提供了路径，但该任务的标准基准数据集 LC25000 存在严重的训练集与测试集数据泄露问题。该数据集的 25,000 张图像是通过对仅 1,250 张原始图像进行旋转和翻转增强而生成的。因此，随机的训练-测试划分往往会将几乎完全相同的原始图像副本同时放入训练集和测试集中，导致模型通过记忆训练数据而非学习泛化特征来获得虚高的准确率。此外，现有文献通常只报告在数据子集（例如仅限肺部类别）上的高准确率，而未解决这些泄露问题，也未解决同时区分五种不同组织学类别（结肠腺癌、良性结肠、肺腺癌、良性肺、肺鳞状细胞癌）的挑战。

方法论
作者提出了 LungColonCancerPred-NN，这是一种紧凑的神经网络架构和一套严谨的评估协议，旨在消除数据泄露。

数据协议与泄露控制：
- 数据来源： 研究结合了 LC25000 数据集和第二个公开集合（“癌症分类”），共计 40,000 个初始文件。
- 去重： 使用 MD5 哈希值移除精确的重复文件，消除了 2,076 个文件。
- 增强家族（Augmentation Families）： 为了处理旋转和翻转的副本（尽管字节不同但代表同一源图像），作者构建了“增强家族”。他们使用了一个对正方形八种对称性（旋转和反射）具有不变性的 EfficientNet-B0 嵌入。如果两张图像的余弦相似度超过阈值 ( $\tau$ ) 且具有相同标签，则将其关联。选择 $\tau = 0.98$ 以确保每个家族不超过 80 张图像，最终形成了 7,795 个不同的家族。
- 分组划分： 数据按“家族”而非单个图像进行 70/15/15 的划分，从而确保任何源图像的增强副本都不会同时出现在训练集和测试集中。
- 审计： 最近邻审计确认了划分的完整性。测试图像与其最近训练图像的的中位相似度为 0.961，显著低于训练集内部 0.998 的相似度。没有任何测试图像超过 0.98 的分组阈值。
架构 (LungColonCancerPred-NN)：
- 骨干网络（Backbone）： 模型利用单个 EfficientNet-B0 特征图（投影至 256 个通道）作为三个并行分支的共享输入。
- 卷积分支： 执行全局平均池化以捕捉局部纹理特征（细胞核大小、染色质、细胞质颜色）。
- 图分支（Graph Branch）： 构建一个图，其中节点是特征位置（7x7 网格）。边根据特征相似性（k-NN， $k=8$ ）而非空间邻近性连接位置。这使得具有相似组织学结构（例如分散的肿瘤巢）的区域能够跨越距离交换信息。
- Transformer 分支： 使用可学习的类别标记（class token）和位置嵌入，通过两个 pre-norm Transformer 编码器层来建模全局空间关系和整体组织布局。
- 门控融合（Gated Fusion）： Sigmoid 门控根据输入图像动态加权三个分支的嵌入，然后将它们拼接并传递给分类器。
- 训练策略： 该模型（5.8M 参数）分两个阶段进行训练：首先冻结骨干网络，然后进行端到端训练。它采用了标签平滑 ( $\epsilon=0.08$ )、随机权重平均 (SWA) 以及三视图测试时增强（恒等变换、水平翻转、垂直翻转）。

核心贡献

受控泄露的评估协议： 本文引入了一种针对 LC25000 及其衍生集合的稳健协议，包括 MD5 去重、D4 不变性家族分组以及最近邻审计，以验证测试图像与训练图像的差异性。
三分支架构： 一种新颖的网络设计，在单一 EfficientNet-B0 骨干网络的基础上，融合了卷积纹理、基于图的特征相似性和基于 Transformer 的空间注意力，并通过可学习的 Sigmoid 门控进行加权。
全面评估： 在五类任务（包括两种器官及恶性类型）上进行了详细评估，采用了严格的分组划分，提供了以往 LC25000 研究中所缺乏的置信区间和误差分析。

结果
在包含 1,114 个家族的 5,497 张图像留存测试集上进行评估：

性能： 模型实现了 99.25% 的准确率（95% CI: 99.02–99.49），Macro-F1 为 99.38%，Cohen's $\kappa$ 为 0.9905，Macro-AUC 为 0.9997。
误差分析：
- 恶性检测： 100% 的敏感度；没有恶性图像被误分类为良性。
- 器官分类： 99.96% 的准确率；仅有 2 张图像被分配到了错误的器官。
- 特定错误： 在总共 41 个错误中，有 33 个是将肺鳞状细胞癌误分类为肺腺癌。这反映了区分具有相似生长模式的低分化肿瘤的难度，这种挑战在临床实践中通常需要免疫组化技术来解决。
对比： 该模型优于四种近期（2025–2026 年）的方法，后者的准确率在仅针对三种肺部类别时处于 97.00% 至 99.11% 之间。作者指出，那些研究使用的是随机划分且类别较少，而 LungColonCancerPred-NN 在受控泄露的分组划分下处理了五个类别。

意义与主张
本文声称其主要意义在于解决了由于数据泄露导致的 LC25000 等医学影像基准测试中常见的“结果虚高”问题。通过证明即使在严格分离近乎相同的副本时仍能实现高准确率（99.25%），作者认为其模型的性能是稳健的，而非记忆效应的产物。

作者强调，其评估协议（哈希、家族分组和审计）是与架构无关的，应被任何未来的 LC25000 相关研究所采用。他们谦虚地指出，虽然其模型在该基准测试上取得了最先进的结果，但剩余的误差（特别是肺腺癌与肺鳞状细胞癌之间的误差）反映了病理学家面临的困难，这表明此类病例可能本质上需要除 H&E 染色之外的其他诊断工具。论文最后指出，该模型已准备好在外部数据集（如 LungHist700）上进行测试，以进一步验证其泛化能力。

技术摘要：LungColonCancerPred-NN

类似论文