一种结合可分离卷积和注意力机制的混合架构，用于肺癌和结肠癌的检测

《Array》：A hybrid architecture with separable convolutions and attention for lung and colon cancer detection

本文提出了一种结合分离卷积、残差连接和注意力机制的混合架构（SCA-mechanism），用于提升肺癌和结肠癌的病理学图像分类性能。实验表明，该模型在LC25000数据集上达到98.82%的准确率，优于VGG16、ResNet50等传统模型，同时减少训练时间约50%，适用于资源受限的临床环境。

　　肺癌和结直肠癌是全球范围内最常见且最具致命性的恶性肿瘤，每年导致超过200万人死亡。早期和准确的检测对于提高患者的生存率至关重要。然而，传统的分类技术在处理医学影像数据时往往面临复杂性挑战，这限制了其在实际临床中的应用。为了克服这些挑战，本研究提出了一种新型的混合架构——可分离卷积与注意力机制（SCA-mechanism），以提高癌症分类的准确性。该模型将可分离卷积与残差连接相结合，从而实现高效的特征提取，同时引入注意力机制以强调与恶性病变相关的关键区域。我们通过在肺癌和结直肠癌图像的基准数据集上评估SCA-mechanism模型，与最先进的深度学习技术进行了对比。实验结果表明，所提出的模型在准确性和计算效率方面均优于传统方法。这些发现凸显了SCA-mechanism在自动化癌症诊断中的潜力，为计算效率高且临床适用的医学应用提供了显著的进展。

在医学影像分析领域，深度学习——尤其是卷积神经网络（CNN）——已经改变了癌症检测的方式。CNN能够从原始像素数据中进行端到端的特征提取和分类，为医学影像分析带来了革命性的变化。然而，大多数传统CNN架构计算成本高，训练和推理需要大量资源，尤其是在处理超高分辨率的组织切片图像时。此外，使用自然图像数据集预训练的CNN可能无法捕捉到与区分良性与恶性组织至关重要的领域特定模式。这些限制阻碍了深度学习模型在计算效率高或资源有限的临床环境中的部署。

为了应对这些挑战，我们提出了SCA-mechanism，这是一种专门为组织病理学癌症分类设计的高效深度学习架构。该模型结合了三项关键创新：（1）可分离卷积，通过将空间和通道处理解耦，显著减少参数数量和训练成本；（2）残差连接，有助于缓解梯度消失问题，稳定训练更深层次的网络；（3）注意力机制，能够动态地优先考虑临床相关的特征，如异常细胞核或腺体结构。这些组件的结合使SCA-mechanism能够在保持模型轻量化和可解释性的同时，捕捉到细粒度的视觉线索。

我们验证了模型在公开的LC25000数据集上的表现，该数据集包含25,000张组织病理学图像，均匀分布在五个类别中，包括良性与恶性肺部和结直肠组织样本。SCA-mechanism模型在该数据集上实现了98.82%的分类准确率，显著优于其他先进的CNN模型。值得注意的是，我们的模型相比广泛采用的架构如VGG16、ResNet50和EfficientNetB7，平均每个epoch的训练时间减少了一半。这一性能优势使SCA-mechanism成为集成到边缘计算设备或计算效率高的临床诊断流程中的实用候选模型。

在文献综述部分，我们回顾了近年来在结直肠癌和肺癌检测方面的研究，并指出了这些研究中的主要局限性。例如，在结直肠癌检测中，Khan等人提出了一种基于Swin Transformer的模型，使用LC25000数据集取得了高二分类准确率。然而，该模型在多类条件下表现显著下降，这可能是由于其依赖于局部注意力窗口，限制了其捕捉全局上下文特征的能力。Alsubai等人结合了Inception-ResNetV2和局部二值模式（LBP）特征，利用纹理描述符，但手工设计的LBP组件使得模型对噪声和分辨率不一致敏感。Sobur等人使用了图像增强技术来提升CNN模型的多样性，但这些变换可能扭曲组织结构特征，进而影响模型的可解释性和泛化能力。Mohamed等人应用了Fisher Mantis优化器来微调CNN权重，取得了有竞争力的准确率，但代价是训练复杂性和可扩展性，尤其是在临床时间有限的环境中。Karthikeyan等人提出了一个CNN流程，结合了一个排名模块，该模块是在一个非常小的数据集（284个训练样本）上训练的，这严重限制了模型在更大或更多样化人群中的泛化能力。这些研究中的共同限制包括对手工组件的过度依赖、在多类分类任务中的可扩展性差，以及对数据集质量——特别是类别平衡和图像变化——的敏感性。这些缺陷促使我们开发一种端到端可学习、计算效率高的架构，以应对实际影像条件下的各种挑战。

在数据描述和预处理部分，我们使用了Lung and Colon Cancer Histopathological Image Dataset (LC25000)，这是一个结构良好且广泛使用的基准数据集，用于癌症分类任务。该数据集包含25,000张高分辨率的组织病理学图像，每张图像的分辨率为768 × 768像素，以JPEG格式存储。数据集被系统地分为五个类别，每个类别包含5,000张图像，代表肺部和结直肠的良性与恶性组织样本。这些类别包括：

- 肺腺癌（lung_aca）——恶性肺组织
- 肺鳞状细胞癌（lung_scc）——恶性肺组织的一个亚型
- 正常肺组织（lung_n）——正常肺组织
- 结直肠腺癌（colon_aca）——恶性结直肠组织
- 正常结直肠组织（colon_n）——正常结直肠组织

该数据集为训练和评估机器学习模型提供了宝贵的资源，得益于其高质量的标注和平衡的类别分布。

在数据预处理方面，我们采取了若干实用的选择，以保持流程快速、可重复且公平地对待所有基线模型，同时尊重组织病理学图像的细节。以下是预处理步骤及其考虑的权衡：

- **图像调整大小**：所有图像被调整为224 × 224，以匹配网络输入。我们意识到缩放可能会软化非常小的纹理（如细胞核染色质）。为了解决这个问题，我们使用了抗锯齿双线性插值，并避免了激进的裁剪，以确保细胞核和腺体边界仍然可见。这个尺寸在细节和吞吐量之间取得了实用的平衡；在未来的研究中，可以添加多尺度路径（例如更大的输入或图像金字塔）来进一步保护细粒度的线索。
- **归一化**：我们的默认是按像素进行最小-最大缩放，将其缩放至[0,1]区间（除以255），这是一种简单且稳定的方法，适用于不同模型。另一种合理的替代方案是仅在训练分割上计算的通道标准化（均值减去和标准差缩放）。我们将最小-最大归一化作为默认设置，以确保与其他模型的可比性，并指出切换到z-score归一化不会改变整个流程。
- **数据分割**：我们明确地使用了三个分层分割，以帮助模型调优并防止过拟合：训练（80%）用于学习参数，验证（10%）用于超参数选择、提前停止和学习率调度，测试（10%）用于最终报告。验证集为在过拟合之前提供干净的信号，并选择合理的训练设置。
- **数据增强**：我们应用了轻量级、形态保持的变换，以增加多样性而不引入可能误导模型的伪影。这些变换包括随机旋转（±15°），水平和垂直翻转，以及有界的缩放（0.9-1.1）或小规模随机调整大小的裁剪（面积0.9-1.0）。这些调整旨在稳定训练，在少数类别和减少过自信方面提供额外的鲁棒性，尤其是在边界情况中。这种混合架构为肺癌和结直肠癌的诊断提供了一种计算效率高、可扩展且可解释的解决方案。

在方法部分，我们介绍了SCA-mechanism的架构和实现。该模型包括四个关键组件：输入层、特征提取块、注意力机制和分类头。输入层接受预处理后的医学图像，其尺寸为224 × 224 ×3。特征提取块使用可分离卷积层，这些层通过增加滤波器深度来高效地提取层次化特征。注意力机制通过动态地优先考虑关键特征，提高了模型的分类敏感性和准确性。分类头负责将输入图像分类为预定义的类别，如肺癌和结直肠癌的亚型。分类过程包括以下关键步骤：输入图像被处理成一个一维特征向量，确保与全连接层兼容。

SCA-mechanism模型的层结构如表1所示。该架构结合了可分离卷积与注意力机制，以增强特征提取，同时保持计算效率。模型包括多个卷积层，随后是批量归一化、激活函数和池化层，以逐步精炼特征图。注意力模块通过全局平均池化、全连接层和逐元素相乘实现，增强了相关特征表示。最终，全连接层将提取的特征分类为目标类别。

在实验结果分析部分，我们评估了SCA-mechanism模型与六个基准CNN架构的性能，包括InceptionV3、MobileNetV2、DenseNet121、EfficientNetB7、VGG16和ResNet50。表3展示了这些模型在训练和测试集上的性能比较，包括宏精度、宏召回率、宏F1分数和准确率。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著优于传统深度学习方法。这一性能优势使SCA-mechanism成为集成到边缘计算设备或计算效率高的临床诊断流程中的实用候选模型。

为了确保深度学习模型在组织病理学图像分类中的透明度和信任度，我们采用了两种广泛使用的可解释性技术：局部可解释模型-无关解释（LIME）和梯度加权类激活映射（Grad-CAM）。这些方法被应用于结直肠和肺部组织的病理图像——特别是癌变（Colon_aca）和非癌变（Colon_n, Lung_n）类别——以可视化和解释模型的决策过程。图5展示了这些模型在组织病理学图像上的LIME和Grad-CAM解释。每一行代表不同的组织病理学样本类别。

LIME解释通过黄色突出显示对模型预测影响最大的超像素来突出模型的预测。LIME提供了一种局部可解释性方法，通过扰动输入特征并观察输出变化，使人们能够理解模型在特定分类中关注的区域。Grad-CAM热图通过利用目标类别相对于特征图的梯度来可视化卷积层中的类别区分区域。激活度高的区域（暖色）表示模型认为对预测最重要的区域。

在训练策略部分，我们采用了一种全面的训练策略，结合了适当的损失函数、优化技术和正则化机制。我们使用了Adam优化器，因为它能够自适应地调整学习率，确保高效收敛。为了测试优化器的敏感性，我们比较了Adam、AdamW（解耦权重衰减）和RMSprop在相同时间表下的表现。我们还研究了分类器的丢弃率，如在最终层使用0.3、0.4和0.6的丢弃率。最佳设置是在验证集上选择，并报告了平均准确率。Adam优化器通过以下数学背景更新模型参数：通过结合分层的梯度估计和优化步骤，Adam优化器能够在保持模型高效的同时，提升分类性能。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低，显著优于其他基准模型。

在实验结果分析中，我们展示了SCA-mechanism模型与其他模型的性能对比。图3展示了不同模型的混淆矩阵，这些矩阵提供了真实阳性（TP）、真实阴性（TN）、假阳性（FP）和假阴性（FN）的分布，从而深入了解每个模型的分类可靠性。SCA-mechanism模型在测试集上实现了98.82%的准确率，显著降低了假阳性和假阴性，使其在癌症分类中高度可靠。

图4展示了SCA-mechanism模型与其他模型的接收者操作特征（ROC）曲线。这些曲线提供了每个模型在区分恶性与良性病例方面的能力评估，基于真实阳性率（敏感度）和假阳性率（1-特异性）之间的权衡。SCA-mechanism模型的ROC曲线几乎完美，真实阳性率极高，假阳性率极低