LeNet–DenseNet混合模型：为肺癌检测与分类提供新思路

肺癌是全球范围内最致命的癌症之一，每年导致约760万人死亡。早期检测和准确分类对于提高患者的生存率至关重要。然而，传统的检测方法在区分良性肺结节和早期恶性结节方面存在困难，且随着CT扫描量的增加，放射科医生的工作负担也在不断加重。

一项发表于《Biomedical Engineering: Applications, Basis and Communications》的研究带来革命性进展——印度科研团队开发的LeNet-DenseNet混合深度学习模型，通过「注意力机制+双网络融合」架构，将肺癌检测准确率提升至94.8%，灵敏度达96.8%，为肺癌早筛开辟了全新路径。

研究内容

图 1 利用混合LeNet–DenseNet进行肺癌识别的架构示意图

该研究提出了一种基于混合深度学习技术的肺癌检测和分类方法。该方法包含两个主要部分：分割和分类。在分割阶段，研究者使用了注意力门控（AG）网络来分割受累区域。AG网络能够引导模型关注重要区域，同时抑制非相关特征的激活，从而增强模型的表现力，而不会显著增加计算成本或模型参数数量（图1）。

图 2 所提出的混合LeNet–DenseNet模型的架构示例

在分类阶段，研究者结合了LeNet和密集卷积网络（DenseNet）架构，开发出了LeNet–DenseNet模型。LeNet以其高效的低级特征提取能力而闻名，而DenseNet则在复杂模式识别和特征重用方面表现出色。通过将两者结合，LeNet–DenseNet模型在图像分类任务中表现出色。

图 3 肺癌CT图像数据集的统计信息

实验结果表明，LeNet–DenseNet模型在肺癌检测中准确率94.8%，较传统深度学习模型CMixNet（92.0%）提升2.8%，较传统机器学习方法FPSOCNN（89.4%）提升5.4%；LeNet–DenseNet模型在肺癌检测中灵敏度96.8%，能检测出96.8%的恶性结节，较ODNN（92.7%）提高4.1%；LeNet–DenseNet模型在肺癌检测中特异度93.5%，将良性结节误诊率控制在6.5%，显著优于Naïve Bayes（90.5%）。

图 4 混合架构的性能评估

图4显示，在相同训练条件下，LeNet-DenseNet的准确率比单一LeNet提升8.3%，比单一DenseNet提升5.1%，证明了「浅层+深层」特征融合的有效性。

这项研究为肺癌的早期检测和分类提供了一种新的、高效的深度学习方法。通过结合LeNet和DenseNet的优势，LeNet–DenseNet模型不仅提高了分类的准确性，还优化了计算效率。这对于医疗影像分析和临床决策支持系统的进步具有重要意义，有助于提高肺癌患者的生存率和生活质量。

尽管该研究取得了显著成果，但在获取涵盖不同阶段和条件的肺癌特征的完整注释数据集方面仍存在挑战。未来的研究可能会利用更先进的优化模型来训练LeNet–DenseNet模型，并将其整合到物联网系统架构中，以实现更广泛的临床应用。此外，研究人员还计划进一步优化模型的性能，以应对更复杂的临床场景。

原文链接：https://dx.doi.org/10.4015/S1016237224500431