编辑推荐：
真菌和酵母感染严重威胁免疫功能低下患者生命，现有真菌分类方法存在不足。研究人员开展基于优化图网络的深度学习（DL）模型研究，以分类直接未培养真菌图像。该模型在 DeFungi 和 DIFaS 数据集上取得高准确率，有望改善真菌病诊断。
在医学领域，真菌和酵母感染就像隐藏在暗处的 “杀手”，对免疫功能低下的患者构成了严重威胁。由于不同真菌对抗真菌药物的敏感性差异很大，而且传统的鉴定方法存在诸多局限，这使得快速且准确地对真菌进行分类成为了医学诊断中的一大难题。目前，真菌分类主要依赖于直接显微镜检查、组织病理学检查和培养等方法，但这些方法不仅需要专业的真菌学培训，还容易受到主观因素的影响，导致诊断延迟，增加了患者的治疗成本和恢复时间。此外，随着真菌种类的不断增加，传统的化学、分子方法以及抗原检测等手段，也难以满足临床快速准确诊断的需求。
为了攻克这一难题，来自未知研究机构的研究人员开展了一项具有重要意义的研究。他们提出了一种基于优化图网络的深度学习（DL）模型，旨在实现对直接未培养真菌图像的精准分类。这项研究成果发表在《Biomedical Signal Processing and Control》上，为医学真菌诊断领域带来了新的曙光。
研究人员在开展这项研究时，运用了多种关键技术方法。首先，他们构建了一个包含深度特征提取器、特征处理块和图神经网络分类器的模型。深度特征提取器借鉴了 ResNet - 50 和 VGG 网络的架构，能够有效提取图像特征；其次，鉴于医学图像数据集标记样本数量有限的问题，研究人员采用了少样本学习技术，并利用 ImageNet 数据集对模型进行预训练，以增强模型的泛化能力；此外，为了进一步优化模型性能，他们运用了多种群体智能优化算法，如蚁群优化算法（ACO）、秃鹰搜索算法（BES）、灰狼优化算法（GWO）等，对模型的超参数进行优化。
研究结果主要体现在以下几个方面：
- 数据集的选择与处理：研究人员使用了 DeFungi 和 DIFaS 两个公开的真菌数据集。DeFungi 数据集包含 5 种常见真菌的直接图像补丁，共 660 张未经预处理的显微镜图像，图像在光照、放大倍数和颜色校正等方面存在差异，且部分真菌类别在颜色和形状上相似，增加了分类难度。DIFaS 数据集则由培养和革兰氏染色的真菌图像组成，包含 9 类菌株的 176 张高分辨率图像，虽然培养和染色有助于区分真菌物种，但数据量有限。针对这些数据集，研究人员采用了专门的自动预处理管道，包括随机补丁选择、黑白转换、对比度增强以及根据平均强度值筛选补丁等操作，并对图像进行了数据增强和归一化处理。
- 模型性能评估：通过对模型进行训练和测试，研究人员发现，在 DeFungi 数据集上，该模型基于补丁的分类准确率达到了 88.7%，基于聚合扫描的分类准确率为 93.1%；在 DIFaS 数据集上，基于补丁的分类准确率为 91.4%，基于聚合扫描的分类准确率更是高达 100%。与其他先进方法相比，该模型在两个数据集上均表现出显著的优势，其准确率远超其他方法。
- 消融研究：研究人员还进行了消融研究，通过部分减少模型中各个组件的参数影响，来评估其对模型性能的贡献。结果表明，分布相似性聚合和分布到点图聚合这两个组件对最终准确率的影响最大，而点相似性聚合和点到分布图聚合的影响相对较小。
在研究结论和讨论部分，研究人员指出，他们提出的 DL 方法能够直接识别致病真菌，无需培养，减少了对真菌学专家的依赖。通过将少样本学习技术与优化的图神经网络相结合，有效解决了过拟合问题，提高了模型的泛化能力。超参数优化在提升模型性能方面起到了关键作用，不同的优化器会得到不同的超参数集，这为进一步优化模型提供了参考。同时，研究人员也发现，针对不同数据集的特点，调整超参数可能会进一步提升模型性能，这为未来的研究指明了方向。
总体而言，这项研究成果具有重要的意义。它为医学真菌诊断提供了一种高效、准确的新方法，能够大大缩短诊断时间，减少患者的痛苦和医疗成本。该模型的高准确率表明，它有望在临床实践中得到广泛应用，为个性化医疗提供有力支持。尽管目前还存在一些挑战，如某些真菌类别的区分仍然困难，但研究人员的工作为后续研究奠定了坚实的基础，相信在未来，随着技术的不断进步，真菌诊断领域将取得更大的突破。
