WTAM-YOLO：一种基于 YOLOv11 的肺结节检测方法

为什么在肺部发现微小斑点很重要

肺癌常以医学影像中出现的微小斑点——结节——为起点，这些结节往往在症状出现前很久即可被扫描到。及早发现这些结节可能决定预后好坏与长期生存的机会。然而这些斑点体积小、对比低，且易与正常肺结构混淆，即便对经验丰富的放射科医生或传统计算机程序也难以辨识。本研究提出了 WTAM-YOLO，一种新型人工智能系统，旨在比现有工具更准确、更高效地在肺部 CT 图像中识别这些难觅的结节。

识别几乎不可见目标的挑战

在胸部 CT 图像中，肺组织主要呈不同灰阶，血管、气道和其他结构以复杂方式重叠。癌性结节宽度可能仅为几毫米，有时只是一片模糊的影子。传统检测方法——无论是人工还是机器——都难以将这些细微斑点与周围环境分离。现有的人工智能系统，包括流行的 YOLO 目标检测家族的早期版本，常常错过非常小的结节或将正常解剖结构误判为病变，从而既出现漏诊也产生误报。

更聪明的 CT 影像“阅读”方法

WTAM-YOLO 在近期 YOLO 设计的基础上改造了计算机“观察” CT 图像的方式。作者并不单纯依赖标准的图像滤波器，而是引入了若干专门组件。其中一部分使用小波——一种能在关注全局结构的同时放大尖锐边缘和细微纹理的数学工具。另一类模块类似一系列聚光灯操作器，自动加强最可能含有结节的区域和细节，同时抑制无关背景。这些组件协同工作，使系统在一次处理流程中既能关注微小斑点，又能把握更广泛的肺部语境。

新系统如何学习微小细节

在 WTAM-YOLO 内部，基于小波的模块首先将图像信息拆分为多个尺度，同时捕获大致轮廓和精细边缘，然后再将这些尺度信息重新组合。注意力模块在两个维度上重新加权这些信息：不同特征类型之间以及图像中不同位置之间，从而使可疑区域更为突出。额外组件专门设计用于在图像反复下采样和处理时保护非常小结节的脆弱信号。其中一个模块通过平滑和稳定特征随训练过程的演变，帮助模型避免对随机噪声过度反应，同时仍对微小病灶保持敏感。

将 WTAM-YOLO 投入测试

研究人员在两个知名的肺部 CT 扫描数据集上训练并评估了 WTAM-YOLO：来自 Roboflow 平台的一个精选公开数据集以及广泛使用的 LUNA16 数据集。他们将其性能与基础的 YOLOv11 模型及若干其他现代检测器进行了对比。在两个数据集中，新系统检出的真实结节比例更高，同时减少了错误发现的数量。在概括检测质量的关键指标上，WTAM-YOLO 在若干评测上提升了若干百分点，尤其在反映精确定位的更严格匹配条件下表现突出——这正是早期癌症筛查所需的严谨程度。

这对患者和临床意味着什么

对非专业读者而言，核心信息是 WTAM-YOLO 能帮助计算机在 CT 扫描中更清晰地“看见”微小肺结节，使它们在嘈杂背景中更为突出，同时不会用大量误报淹没医生判断。通过更好地保留小而微妙的细节并在多个尺度上组织信息，该系统在提高灵敏度和准确性方面取得进展，同时保持了足够适用于实践的计算资源需求。尽管它仍以切片为基础而非完整 3D 扫描，并且需要在真实医院环境中进一步验证，但这项工作指向了更快速、更可靠的肺结节筛查途径，可支持放射科医生并有望在可治愈性更高的早期阶段发现肺癌。

引用: Lan, Y., Zhang, Y., Xu, J. et al. WTAM-YOLO: a YOLOv11-based method for pulmonary nodule detection. Sci Rep 16, 10922 (2026). https://doi.org/10.1038/s41598-026-42029-6

关键词: 肺结节检测, CT 成像, 深度学习, YOLO, 早期肺癌