AI驱动微波成像技术用于肺肿瘤监测的创新设计与性能评估

《Scientific Reports》：Design of AI-driven microwave imaging for lung tumor monitoring

本研究针对传统肺部成像技术存在电离辐射风险、设备笨重且不适合连续监测的问题，开发了一种结合人工智能(AI)与微波成像(MWI)的可穿戴诊断系统。研究人员设计了一种集成8个天线的腰带式传感器，通过采集散射参数(S-parameters)并重建二维图像，分别采用XGBoost算法和卷积神经网络(CNN)进行肿瘤检测和大小预测。结果表明，XGBoost分类器在原始S参数上的肿瘤检测准确率达100%，而CNN在重建图像上的肿瘤大小预测误差仅为0.58毫米。该研究为开发低成本、无辐射的肺肿瘤连续监测设备提供了新思路。

　　

在全球肺癌发病率持续攀升的背景下，早期检测和持续监测成为提高患者生存率的关键。然而，当前主流的肺部成像技术如X射线和CT扫描存在明显局限性：不仅设备昂贵笨重，更重要的是会释放电离辐射，这使得它们不适合用于需要反复检查的术后监测和长期随访。据统计，非小细胞肺癌(NSCLC)的复发率随分期升高而显著增加，阶段I为5-19%，阶段II为11-27%，阶段III为24-40%，而更高阶段超过63%。这种高复发风险凸显了开发安全、可重复使用监测工具的紧迫性。

微波成像(MWI)技术利用生物组织介电特性的差异作为成像基础，为这一挑战提供了潜在解决方案。由于肿瘤组织含水量较高，其相对介电常数和电导率远高于周围正常组织，这种差异使得微波能够区分健康与病变组织。更重要的是，微波成像使用非电离辐射，避免了反复检查的累积辐射风险，为开发便携式、低成本监测设备创造了条件。

在这项发表于《Scientific Reports》的研究中，Adarsh Singh、Sandip Paul等研究人员设计了一种人工智能驱动的微波成像系统，专门用于肺肿瘤的检测和大小预测。他们创新性地将微波传感技术与机器学习算法相结合，探索了一种全新的肺部疾病诊断路径。

研究团队采用了几项关键技术方法：首先设计了一种可穿戴天线腰带系统，包含8个工作在1.5-3GHz频段的蝶形天线，该频率范围在组织穿透深度和分辨率间取得了最佳平衡；其次利用CST Studio Suite中的体素人体模型(Gustav和Donna)进行仿真数据采集；然后通过频率成像算法将散射参数重建成二维微波图像；最后分别开发了基于XGBoost的分类模型(用于肿瘤检测)和基于CNN的回归模型(用于肿瘤大小预测)，并通过对噪声数据的微调提升了模型的鲁棒性。

微波传感与成像子系统设计

研究人员设计了一个包含八个天线的可穿戴腰带作为微波传感器，这些天线战略性地布置在胸部周围，形成一种多静态测量配置。天线工作在1.5-3GHz频段，这一选择是基于对组织穿透能力和图像分辨率的综合考量。该系统的数据采集通过矢量网络分析仪(VNA)和射频开关矩阵实现，能够顺序测量所有天线组合间的散射参数(S参数)。

电场和磁场分布分析表明，放置在胸部下部的天线元件能够覆盖大部分肺区域，从而有可能检测肺部任何肿瘤的存在。通过频率成像算法，研究人员将采集的S参数重建成二维微波图像，这些图像清晰显示了随着肿瘤尺寸增大而变化的信号模式。

基于机器学习的肿瘤检测与大小预测

研究比较了两种机器学习方法：一种是直接在原始S参数上使用XGBoost模型，另一种是在重建的微波图像上使用卷积神经网络(CNN)。

对于肿瘤检测任务，XGBoost分类器通过对S参数幅度和相位在1.5-3GHz操作频段内取平均值，将每个病例转换为128维特征向量。为解决类别不平衡问题(26个无肿瘤/小肿瘤案例vs134个有肿瘤案例)，研究采用了ADASYN过采样算法。经过优化后的XGBoost模型在测试集上实现了100%的肿瘤检测准确率，显著优于基于CNN的图像分类器(92.8%准确率)。

在肿瘤大小预测方面，情况则相反。CNN回归模型通过在重建的微波图像上应用水平翻转、垂直翻转和180度旋转等数据增强技术，有效扩大了训练数据集。该模型在测试集上的预测均方误差仅为0.58毫米，表现优于基于S参数的XGBoost回归模型(均方误差1.23毫米)。

模型鲁棒性验证与泛化能力测试

为评估模型在实际环境中的适用性，研究人员进行了噪声鲁棒性测试和跨模型泛化测试。他们通过向训练数据添加1%、5%和10%的随机噪声对模型进行微调，结果显示微调后的XGBoost分类器在噪声数据上的准确率从65%提升至90%，而CNN大小预测模型的误差从5毫米降低至2.1毫米。

更重要的是，当将训练好的模型应用于完全陌生的Donna(女性)体模数据时，XGBoost分类器保持了100%的肿瘤检测准确率，CNN回归模型也给出了接近实际的肿瘤大小预测值，证明了该方法对不同体型的适应性。

研究结论与意义

这项研究成功展示了一种结合微波成像与人工智能的可穿戴系统在肺肿瘤检测和大小预测方面的潜力。通过精心设计的机器学习工作流——使用XGBoost进行肿瘤检测和CNN进行大小预测——系统在仿真环境中表现出色，且对噪声和个体差异具有一定的鲁棒性。

该方法的最大优势在于其安全性(非电离辐射)、便携性(可穿戴腰带设计)和潜在的低成本特性，使其特别适合用于肺癌高风险群体的长期监测和术后随访。当前系统的整个测量诊断流程约需30-40分钟，随着硬件集成和自动化程度的提高，这一时间有望进一步缩短，使其更具临床实用性。

未来工作重点将放在临床试验验证、个性化适应性改进以及测量效率优化上，推动这一创新技术向实际临床应用转化。这项研究为开发新型肺部疾病诊断工具提供了重要技术路径，在改善肺癌早期检测和患者预后方面具有广阔前景。