编辑推荐：
针对人工设计神经网络用于高发癌症预测耗时且需专家、传统 NAS 在医疗图像中存在计算成本高及代理相关性低等问题，研究人员开展 TM-NAS 方法研究。实验表明该方法在多数据集上性能优于传统方法，对癌症预测及 NAS 发展有重要意义。
在医疗人工智能领域，癌症的精准预测一直是备受关注的难题。高发癌症如乳腺癌、肺癌和结直肠癌的病理图像中，病灶大小不一、形态复杂，传统深度学习模型往往难以高效捕捉不同尺度的病变特征。人工设计神经网络不仅耗费大量时间和专业知识，且在医疗图像的复杂场景中泛化能力有限。而传统的神经架构搜索（Neural Architecture Search, NAS）方法虽能自动化设计网络，但在处理医疗图像时面临计算成本高昂、代理预测与实际性能相关性低等挑战，难以在合理时间内找到适用于高发癌症预测的最优网络架构。
为突破这些瓶颈，中国西华师范大学的研究人员开展了一项关于无训练多尺度神经架构搜索（Training-free Multi-scale Neural Architecture Search, TM-NAS）的研究，相关成果发表在《Engineering Applications of Artificial Intelligence》。该研究旨在开发一种高效、精准的自动化网络设计方法，以应对高发癌症图像中多尺度病灶的预测难题。
研究人员采用的关键技术方法包括：
- 多尺度搜索空间设计：将搜索空间分为宏观和微观层面。宏观空间优化网络深度和层排列，以增强信息流动和特征保留；微观空间针对卷积、池化等层操作进行优化，捕捉不同尺度的病变特征。
- 无训练代理评估策略：基于收敛性、表达能力、可训练性和复杂性等维度，通过整合各层激活值、梯度变化和架构数据，对网络性能进行非线性集成排序。该评估仅需两次前向传播和一次反向传播，输入为模拟医疗数据的随机高斯噪声，显著提升搜索效率。
实验结果
多数据集性能验证
在 MedmnistV2、LC25000、BreakHis、CRC-5000 等医疗数据集及 NAS-Bench-201 数据集上，TM-NAS 展现出优异性能：
- 分类准确性：在各数据集上均优于手动设计网络和现有 NAS 方法，验证了其对多尺度病灶特征的捕捉能力。
- 搜索效率：相比传统方法，搜索时间平均缩短 79.45%，证明了无训练代理策略的高效性。
- 代理相关性：在 NAS-Bench-201 数据集上，Kendall 和 Spearman 相关系数分别提升 34.31% 和 31.71%，表明代理预测与实际性能的强相关性。
多尺度特征提取有效性
通过宏观与微观搜索空间的协同优化，网络能够动态组合不同尺度的操作（如不同池化方式），有效提取小至细微病变、大至复杂组织的多维度特征，解决了传统网络对小尺寸病灶识别不足的问题。
结论与意义
TM-NAS 方法通过多尺度搜索空间与无训练代理的创新结合，成功攻克了高发癌症预测中病灶尺度多变、传统 NAS 效率低下的难题。其核心贡献在于：
- 提出首个针对高发癌症的无训练多尺度 NAS 方法，兼顾效率与准确性；
- 设计分层搜索空间，实现多尺度特征的高效提取与保留；
- 构建多维度评估代理，提升预测相关性的同时大幅降低计算成本。
该研究为医疗图像分析领域提供了新的自动化网络设计范式，有望加速 AI 在癌症早期诊断、精准医疗等场景的应用，推动基于深度学习的医疗诊断技术向临床实用化迈进。未来，进一步优化搜索空间的灵活性和代理评估的全面性，可能成为该领域的重要发展方向。
