基于贝叶斯优化的深度集成学习框架在胶囊内镜多病灶识别中的应用

为解决无线胶囊内镜检查(WCE)图像数量庞大及疲劳导致的漏诊误诊问题，来自上海东方医院的研究团队提出了一种融合CA-EfficientNet-B0、ECA-RegNetY和Swin transformer的深度集成框架。通过贝叶斯优化权重分配，该模型对血管扩张、出血、糜烂和息肉四种胃肠道(GI)病变的识别准确率达84.31%，m-F1-score达81.08%，显著提升GI疾病辅助诊断效能。

　　

面对无线胶囊内镜(Wireless Capsule Endoscopy, WCE)海量图像分析难题与临床诊断疲劳风险，这项研究构建了创新的三重奏智能识别系统：搭载坐标注意力(CA)的EfficientNet-B₀、嵌入高效通道注意力(ECA)的RegNetY，以及具有层级移位窗口特性的Swin Transformer组成基础学习器。通过迁移学习策略与注意力模块的协同优化，该框架实现了对血管扩张(angioectasia)、出血(bleeding)、黏膜糜烂(erosions)和息肉(polyps)四大胃肠道标志性病变的精准捕捉。

研究团队采用贝叶斯优化算法动态调整三大模型的决策权重，在包含281例患者8358张图像的临床数据集中展现出卓越性能——不仅总体准确率突破84%，更在m-Precision(88.60%)和m-Recall(79.36%)指标上超越传统单模型。特别值得注意的是，通过可视化热力图技术，模型能清晰标注病灶区域，犹如给内镜医师配备了永不疲倦的"AI第二双眼"。这项发表于生物医学工程顶刊的工作，为消化道疾病的智能筛查提供了可解释性强、鲁棒性高的解决方案。