用于组织病理图像乳腺癌检测的SqueezeNet与ShuffleNetV2的互惠协作门控融合

为乳腺癌诊断提供更聪明的帮助

当在乳房发现肿块时，医生常依赖将组织切成极薄切片、进行染色并在显微镜下观察，以判定细胞是良性还是恶性的。这种仔细检查是诊断的金标准，但过程缓慢、费时且劳动强度大，而且不同病理专家之间可能存在差异。本文所述研究提出了一种计算机工具，利用人工智能分析这些显微图像，旨在为病理学家提供快速、一致且高精度的第二诊断意见，同时将计算成本控制在日常医院可以承受的范围内。

解读组织图像的挑战

乳腺癌是全球最常见的癌症之一，每年造成数十万例死亡。改善结局的关键在于早期发现和精准表征肿瘤，而这仍然主要依赖组织病理学：在显微镜下检查染色的组织切片。但许多组织模式看起来极其相似。正常和良性（无危险）样本可能共享相似结构，而早期原位癌与浸润性癌在形态上可能互相混淆。此外，不同实验室的染色、照明和图像对比度差异，会使相同疾病的图像呈现出很大差别。传统计算方法难以应对这些微妙差异，许多在效果上更好的深度学习系统又体积庞大、耗能高，难以在顶级研究中心之外推广应用。

两个紧凑网络的协作

为了解决这一问题，作者将两种现有的紧凑神经网络——SqueezeNet 与 ShuffleNetV2 结合在一起。这些模型最初被设计用于在照片中识别日常物体，但所需计算远少于像 Transformer 或非常深的网络等重量级系统。在本项工作中，它们被重新训练以识别乳腺组织图像中的模式。每个网络都查看相同的显微图像，并学习捕捉不同的视觉线索——细胞形状的细微变化、组织纹理和颜色布局。单独使用时，每个模型已表现良好，但真正的创新在于如何将它们的优势融合在一起。

过滤噪声的门控机制

该研究的核心思想是一个新的“互惠协作门控”模块，它使两个网络能够相互交流并决定它们内部信号的哪些部分真正有用。与其简单地堆叠或平均它们的输出，门控系统衡量每个通道所携带的信息量以及它与另一网络已见信息的冗余程度。那些提供新、有用细节的通道会被放大，而重复或引入噪声的通道则被抑制。这种双向的反复调整在两个方向上进行，因此 SqueezeNet 会增强 ShuffleNetV2 的特征，反之亦然。最终得到的是对每幅图像的单一融合表示，更加丰富、更加纯净，并更集中于区分不同诊断所需的细微差异。

轻量计算下的高精度

在两个广泛使用的乳腺癌图像数据集 ICIAR‑2018 和 BreakHis 上测试时，该融合系统表现出令人印象深刻的性能。在四类任务——区分正常组织、良性变化、早期原位癌和浸润性癌——中，系统正确分类了97%的图像。当任务简化为将癌性与非癌性组织区分开时，在 ICIAR‑2018 上准确率升至99%，在 BreakHis 上约为99.7%。尽管该新模型参数较少、计算需求适中，但这些得分高于文献中许多更复杂的方法，这也意味着更快的预测速度和更低的硬件需求。

对患者与临床的意义

通俗地说，作者构建了一个精简但强大的助手，能够筛查乳腺组织显微图像并以接近专家的可靠性给出标注。由于设计高效，它更适合在现实场景中部署，例如可能没有高端服务器的区域医院或筛查中心。该系统并不能替代病理学家，但可以标出可疑区域、提供一致的第二意见，并有望加快诊断流程。这项工作也反映出一个更广泛的趋势：通过巧妙地组合较小的 AI 模型并教会它们协同工作，而不是相互竞争，可以在不付出高昂成本和复杂性的情况下获得顶级的准确性，从而更有助于实用的医学人工智能落地。

引用: Khati, B., Mukherjee, S., Sinitca, A. et al. Reciprocal cooperative gating fusion of SqueezeNet and ShuffleNetV2 for breast cancer detection in histopathology images. Sci Rep 16, 5904 (2026). https://doi.org/10.1038/s41598-026-36375-8

关键词: 乳腺癌, 组织病理学, 医学影像人工智能, 轻量级卷积神经网络, 计算机辅助诊断