编辑推荐：
为解决肺癌早期诊断及提高患者预后的难题，研究人员开展基于深度学习的计算机辅助诊断（CAD）研究。采用 CNN-LSTM 架构，结合 MF 预处理、FWLICM 分割及 SIFT 特征提取，基于 LIDC-IDRI 数据集，获 99.49% 准确率，为肺癌早诊提供新路径。
肺癌是威胁人类健康的重大疾病，其早期诊断与及时治疗对改善患者预后至关重要。传统诊断手段如胸部 X 射线、PET 扫描和痰细胞学检查存在诸多局限性：PET 扫描费用高昂且有假阳性风险，胸部 X 射线易漏诊微小或周边肿瘤，痰细胞学检查样本采集困难且假阴性率较高。这些不足使得开发更精准、高效的肺癌早期诊断技术成为医学领域的迫切需求。在此背景下，深度学习（DL）技术因其在图像分析和模式识别中的卓越能力，为肺癌的计算机辅助诊断（CAD）带来了新希望。
为探索更有效的肺癌诊断方法，研究人员开展了基于深度学习的肺癌计算机辅助诊断研究。该研究基于 LIDC-IDRI（肺图像数据库联盟 - 图像数据库资源计划）数据集，构建了一种结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合深度学习模型，旨在通过 CT 图像实现肺癌的准确分类与早期识别，相关成果发表在《Biomedical Signal Processing and Control》。
研究采用了以下关键技术方法：首先，使用中值滤波（MF）对原始 CT 图像进行预处理，以降低噪声并提升图像质量；其次，运用模糊加权局部信息 C 均值（FWLICM）分割算法对预处理后的图像进行分割，以精准分离病变区域与其他组织器官；然后，通过尺度不变特征变换（SIFT）从分割后的肺区域中提取关键特征；最后，利用 CNN-LSTM 混合网络对提取的特征进行分类，判断肿瘤为 “良性” 或 “恶性”。
研究结果
预处理与分割效果
通过中值滤波预处理，有效降低了 CT 图像中的噪声，提升了图像质量，为后续分析奠定了基础。FWLICM 分割算法成功实现了病变区域与周围组织的精准分离，在从 CT 扫描中识别肺病变和诊断肺部疾病这一复杂阶段发挥了重要作用。
特征提取与分类性能
SIFT 特征提取技术从肺图像中提取了有意义的特征，为分类提供了坚实基础。所构建的 CNN-LSTM 混合深度网络在肺癌分类中表现出色，经 5 折交叉验证，模型准确率高达 99.49%，显著优于传统方法，展现出在肺癌早期诊断中的强大潜力。
模型优势与对比
与传统基于放射组学的方法（需依赖合适的肺分割和特征提取算法）不同，该研究采用的 CNN-LSTM 混合架构减少了对人工特征提取的依赖，通过端到端的学习方式自动从数据中提取关键特征，提高了诊断的效率和准确性。
研究结论与意义
该研究构建的 CNN-LSTM 模型通过先进的图像处理技术（中值滤波降噪、FWLICM 精准分割、SIFT 有效特征提取）和混合深度学习架构，显著提升了肺癌早期检测和准确诊断的能力。模型实现的 99.49% 准确率表明其在肺癌分类中具有高度可靠性，为临床医生提供了一种高效、精准的辅助诊断工具，有望减少传统诊断方法的局限性，提高肺癌早期诊断率，进而改善患者预后。该研究为深度学习在医学影像诊断中的应用提供了新的思路和方法，推动了肺癌计算机辅助诊断技术的发展，在生命科学和健康医学领域具有重要的临床应用价值和研究意义。
