DivGI：消化内镜图像多策略协同分类框架的创新研究

来自中国的研究团队针对胃肠(GI)内镜图像存在的类别失衡、特征模糊和类间相似性三大挑战，提出创新网络架构DivGI。该研究整合平衡采样、细粒度分类和多标签分类策略，在HyperKvasir等三大公开数据集上取得91.31%的MCC值，为临床内镜诊断提供高效分类工具。

　　

消化内窥镜成像技术(GI endoscopy)在临床诊断中需同时捕捉常规解剖标志物和可疑病灶，但这类图像存在三大特殊挑战：显著的类别数量失衡、特征辨识度低(如黏膜细微病变)，以及部分病种间的高度形态学相似性(如不同分期的Barrett食管)。现有研究虽通过数据增强缓解了样本量失衡问题，但对特征模糊性(feature indistinctness)和类间相似性(inter-category similarity)仍缺乏系统性解决方案。

研究团队开发的DivGI网络架构开创性地将三大核心技术熔于一炉：采用重采样(resampling)与混合增强(mix-up)实现数据平衡；通过多粒度特征学习(multi-granularity feature learning)捕捉黏膜纹理等细微差异；利用层级标签联合学习(hierarchical label joint learning)处理多标签场景。在HyperKvasir数据集上取得91.31%的马修斯相关系数(MCC)，较传统方法提升显著。该框架特别适用于鉴别易混淆的病变类型(如早期癌变与炎性息肉)，其开源代码将助力智能内镜诊断系统的开发。