基于梯度模式与形状特征训练的改进ShuffleNet用于肺癌分类，并配合改良的M-SegNet分割

为何早期肺部筛查至关重要

肺癌是全球致死率最高的癌症之一，主要原因在于常常被发现得太晚。医生已经使用CT扫描来寻找肺部可疑病灶，但每位患者需要仔细查看数百张影像，这项工作既缓慢又容易疲劳。本文介绍了一个能够自动解读这些扫描图像的计算机系统，旨在帮助医生更早、更稳定地发现癌变，尤其是在缺乏专科团队的医院中提供支持。

用于解读肺部影像的智能助手

作者构建了一个自动化流程，将原始胸部CT影像逐步精炼为一个简单结论：可能是癌或非癌。首先，系统增强每张图像的对比度，使肺组织中的细节更清晰可见。接着，它对肺部与胸腔其它区域进行精确分离，将分析聚焦在肿瘤真实生长的区域。从这些净化后的肺部图像中提取纹理与形状方面的判别性特征，最后将这些信息输入到一个紧凑的深度学习模型，以产生最终判断。总体目标不是取代医生，而是为他们提供快速且可靠的第二意见。

训练系统识别肺部结构

CT自动分析的最大难点之一是分割：勾勒出真实的肺区域，尤其是可能隐藏小结节的肺叶边界。作者提出了一个改进的分割网络称为mRRB‑SegNet，结合了现代图像识别的思想，包括捷径连接和循环结构，使模型既能关注局部细节又能获得更广的上下文信息。与常用替代方案的比较测试表明，该分割器产生的轮廓与专家标注的肺区重叠度更高，这一点至关重要，因为这一步的任何错误都会影响后续所有步骤的结果。

读取细微的纹理与形状线索

一旦肺部被孤立出来，系统接着识别癌性结节的外观。它并不只依赖原始像素，而是计算若干类特征。一种改进的“局部梯度”度量关注相邻像素间亮度的微小变化，这对应组织中的细纹理。额外的形状度量则捕捉结节的大小、致密性或不规则性，统计学汇总描述每一区域内强度的分布。这些线索共同帮助区分无害的圆形斑点与更锯齿状、可疑的生长，后者更典型地指向恶性肿瘤。

用于快速决策的轻量“头脑”

为了将这些特征转化为决策，作者改造了一种名为ShuffleNet的深度学习架构，该架构最初为在移动设备上快速运行而设计。他们加入了自定义的归一化步骤以稳定在嘈杂的医学数据上的训练，并引入注意力模块以学习在图像的关键通道和位置上“更用力地看”。这款升级的CMN‑ShuffleNet保持了网络的小巧与高效，同时学会关注对癌症诊断最重要的肺部模式。由于其计算需求相对适中，该系统更适合真实世界的临床环境，包括硬件资源有限的医疗机构。

实践中的表现如何？

团队在两套广泛使用的公开肺部CT数据集上测试了他们的方法。在主要数据集（LUNA16）上，他们的模型约96%的时间能够正确区分癌症与非癌症病例，尤其在敏感性——即捕捉真实癌症病例的能力——以及对各种错误类型进行平衡评估的指标上得分突出。尽管计算量较少，该方法仍明显优于一系列成熟的深度学习模型，包括VGG、DenseNet以及其它循环与卷积网络的版本。此外，在一个独立数据集上进行的交叉验证测试也展现出类似的高性能，表明该方法并非仅对单一影像集合进行记忆式学习。

对患者与临床的意义

对非专业读者而言，关键信息是作者构建了一个快速且紧凑的人工智能助手，能够在CT扫描中捕捉肺癌的细微迹象，其准确性可与更大、更慢的系统相媲美甚至更优。通过结合严谨的图像预处理、精确的肺区勾勒以及针对纹理与形状的聚焦分析，该方法在减少漏诊的同时将误报率保持在较低水平。尽管它仍依赖于高质量的影像，且当早期的分割步骤失败时可能被干扰，这项工作仍将自动化肺癌筛查向常规临床应用又推进了一步，有望帮助医生更早发现疾病并改善许多患者的结局。

引用: R, N., C M, V. Modified ShuffleNet trained on gradient pattern and shape-based features for lung cancer classification with improved M-SegNet segmentation. Sci Rep 16, 11185 (2026). https://doi.org/10.1038/s41598-026-39492-6

关键词: 肺癌, CT影像, 深度学习, 医疗人工智能, 辅助诊断