WISeRKNet：基于CT图像的肺癌检测的宽片残差Kronecker网络

这对日常健康为何重要

肺癌仍然是全球最致命的癌症之一，主要原因在于常常发现太晚。该研究探索了先进的计算方法如何帮助医生在常见医学扫描中更早、更准确地发现肺癌迹象，从而可能带来更快的治疗并提高生存机会。

更清晰地透视胸腔

医生常用CT扫描——以薄切片形式获取的详尽X光图像——来寻找称为结节的小生长物。这些结节可能是良性或恶性的，且在大小、形状和边缘清晰度上差异很大。即便是经验丰富的专家，在图像有噪声或正常肺部结构与病变相似时也可能难以区分。作者首先通过一种方法改进原始CT图像，清除不均匀照明并减少噪声，同时不抹去重要细节。这一步使肺部结构更为突出，为更可靠的计算分析打下基础。

教计算机找到微小肺部斑点

在清理图像之后，系统会自动分离肺区并定位各个叶片和结节。它使用一种名为Link-Net的分割模型，旨在精确标记图像中属于肺组织和潜在结节的像素。为了让计算机学到稳健的模式而不是记住有限的样本，研究人员对数据做了增强：以可控方式旋转、翻转并部分擦除图像区域，从每个原始扫描生成大量现实的变体。他们还为每个结节计算简单的形状度量，例如面积、周长、轮廓不规则度以及紧凑程度。这些形状线索类似放射科医生在判断结节是否可疑时非正式参考的要点。

新型智能模型如何解读扫描

工作的核心是一个名为WISeRKNet的新型人工智能模型，它结合了两个强大的深度学习组件。一部分基于“宽片残差”网络，擅长检查整片CT切片并捕捉较大区域内肺部纹理和结构的细微差异；另一部分是“Kronecker”网络，设计用于高效处理高维图像模式，允许系统在不爆炸性增长规模的情况下学习数据中的复杂关系。WISeRKNet融合了清理后图像和形状度量的信息，然后将这一更丰富的结节描述同时传入两个网络分支，最终对是否存在肺癌做出判断。

将模型付诸测试

研究人员在两个公开的肺部CT图像集合上测试了WISeRKNet。这些数据集包含带有恶性肿瘤、良性结节和健康肺部的患者扫描，均由专家标注。他们改变了模型可学习的数据量，使用标准的交叉验证以避免高估性能，并将其方法与若干现有计算方法比较，包括传统机器学习模型和其他深度网络。在多项测试中——例如总体准确率、真正癌症被正确标记的频率以及健康病例被正确识别的频率——WISeRKNet一致优于替代方法。即使在图像中加入人为噪声时，它也保持了相对较强的结果，表明对不完美扫描具有鲁棒性。

这对未来护理可能意味着什么

简而言之，该研究表明，经过精心设计的图像清理、对形状信息的智能利用以及专用深度学习网络的组合，能够在CT扫描中以约九成的正确率检测肺癌。作者指出该模型计算量大，尚未准备好在繁忙的临床环境中实时使用，但他们计划简化设计以便更快运行并能在更普通的硬件上部署。如果成功转化为临床应用，像WISeRKNet这样的系统可能成为放射科医生的有价值助手，帮助更早发现危险结节、减少漏诊，最终改善高风险患者的结局。

引用: Shanthi, A., Satheesh Kumar, S. & Koppu, S. WISeRKNet: wide slice residual Kronecker network for lung cancer detection based on CT images. Sci Rep 16, 9958 (2026). https://doi.org/10.1038/s41598-026-39793-w

关键词: 肺癌, CT成像, 深度学习, 计算机辅助诊断, 医学图像分析