编辑推荐：
肾脏疾病（RDs）严重威胁公众健康，人工诊断存在诸多弊端。研究人员提出 EACWNet 深度学习模型，用于肾部 CT 图像分类。该模型准确率达 98.87%，优于骨干模型。其意义在于提高诊断效率和准确性，助力医疗决策。
肾脏，作为人体至关重要的器官，承担着排泄废物、维持水电解质平衡等关键任务。然而，肾脏疾病却如同潜藏在暗处的 “健康杀手”，给全球大量人口的生命健康带来了严峻挑战。据统计，全球有超 7 亿人受到肾脏疾病的困扰，每年更是有 120 万人因肾脏疾病相关后果失去生命 。在印度，2003 - 2013 年间，肾衰竭导致的死亡率攀升至 38% 。并且，随着糖尿病、肥胖症和高血压发病率的不断上升，肾脏疾病的发生几率也在持续增加。
传统的肾脏疾病诊断依赖于肾病专家手动诊断，这种方式不仅主观性强、耗费大量人力，还高度依赖专家对肾脏解剖学的专业知识。不同专家之间的诊断结果可能存在差异，这无疑会影响诊断的准确性和及时性。而肾部 CT 图像虽能提供三维信息，有助于疾病的识别，但面对海量的图像数据，人工判读效率低下。在这种背景下，开发一种高效、准确的自动诊断方法迫在眉睫。
为了攻克这一难题，研究人员开展了基于深度学习技术的肾脏疾病诊断研究。他们提出了一种名为 EACWNet 的自动化深度学习模型，该研究成果发表在《Computers in Biology and Medicine》杂志上。
研究人员在开展此项研究时，运用了多种关键技术方法。首先，对多个预训练的卷积神经网络（CNN）进行微调，使其适应肾部 CT 图像数据集，从中筛选出如 VGG - 19 这样有效的骨干 CNN 模型用于特征提取。其次，在骨干模型的较高卷积块中引入自适应通道加权机制，借助尺度自适应通道注意力模块（SA - CAM），根据全局和局部上下文信息优化特征图的通道权重。此外，使用公开的肾部 CT 图像数据集对模型进行训练和评估，并采用可解释人工智能方法，如局部可解释模型无关解释（LIME），对模型预测结果进行分析。
实验数据集
研究使用公开的肾部 CT 图像数据集，该数据集包含多种肾脏疾病类型的图像，如囊肿、结石、肿瘤以及正常肾脏的图像，涵盖了不同的病变特征，为模型训练和评估提供了丰富的数据支持。
模型评估指标与结果
研究采用多种评估指标来衡量 EACWNet 模型的性能。在准确率方面，该模型达到了 98.87% ，相较于骨干模型有 1.75% 的提升。通过 t - 分布随机邻域嵌入（t - SNE）矩阵进行定性分析，结果也表明模型在特征表示和分类效果上表现出色，能够有效区分不同类别的肾脏疾病。
与其他方法的比较
将 EACWNet 模型与其他深度 CNN 模型以及现有方法进行对比，实验结果显示，EACWNet 在肾部 CT 图像分类任务上的性能更优，展现出了更强的特征提取和分类能力，能够更准确地识别不同类型的肾脏疾病。
可解释性分析
利用 LIME 等可解释人工智能工具对模型预测进行分析，能够直观地展示模型在做出决策时关注的图像区域。例如，模型会聚焦于囊肿中的液性结构、结石中的高密度矿物质沉积以及肿瘤中的异常组织模式等关键区域，从而帮助研究人员更好地理解模型的决策机制。
在讨论部分，研究人员指出，传统 CNN 在处理肾脏疾病诊断时存在一定困难，难以捕捉细微的图像差异和解决类别间的变化问题。而 EACWNet 模型通过引入 SA - CAM 模块，有效增强了对不同类别肾脏疾病特征的区分能力。尽管该模型在结石类别的预测精度上相对较低，这主要是由于结石本身的变异性和异质性，但整体上，EACWNet 模型在肾脏疾病诊断方面取得了显著进展。
综上所述，EACWNet 模型为肾脏疾病的自动诊断提供了一种新的有效方法。它不仅提高了诊断的准确性和效率，还通过可解释人工智能技术增强了模型的透明度和可理解性。这一研究成果有助于减少对专家经验的依赖，使经验相对不足的医生也能更准确地诊断肾脏疾病，对改善肾脏疾病的早期诊断和治疗具有重要意义，为未来肾脏疾病诊断领域的发展提供了新的方向和思路。
