基于可解释迁移学习与集成模型的肺癌CT诊断系统LungCT-NET：突破性精准分类与临床决策支持

针对肺癌早期诊断中CT图像对比度低、结节形态多样及深度学习模型"黑箱"问题，研究人员开发了集成VGG-16/VGG-19/MobileNet-V2/EfficientNet-B0的LungCT-NET系统，通过TL（Transfer Learning）与XAI（SHAP）技术实现98.99%准确率，为临床提供高精度、可解释的AI辅助诊断方案。

　　

肺癌作为全球死亡率最高的恶性肿瘤之一，每年夺走近180万人的生命。尽管低剂量CT（LDCT）筛查能将肺癌死亡率降低20%，但医生们仍面临着巨大挑战：肺结节与周围组织对比度低、形态学特征复杂多变，加上放射科医师经验差异导致的诊断不一致性，使得传统诊断方法犹如在迷雾中寻找针尖。更棘手的是，现有深度学习模型虽然表现优异，却因缺乏透明性被诟病为"黑匣子"，医生们难以信任这些无法解释的AI决策。

为破解这些难题，研究人员开发了名为LungCT-NET的创新性诊断系统。这项发表在《Knowledge-Based Systems》的研究，通过融合迁移学习（Transfer Learning, TL）、集成学习和可解释人工智能（Explainable AI, XAI）三大前沿技术，构建了一个准确率达98.99%的智能诊断框架。研究团队从公开的LIDC-IDRI数据集中获取1018例患者的CT影像，通过九步预处理流程提取肺叶区域后，创新性地重构了七种TL模型架构（包括VGG-16/VGG-19/MobileNet-V2等），并采用基于决策树（DT）、极端随机树（ERT）和随机森林（RF）的堆叠集成策略，最终通过SHAP（SHapley Additive exPlanations）技术实现模型决策的可视化解读。

关键技术方法包括：1）对LIDC-IDRI数据集进行基于K-means聚类的肺叶分割预处理；2）重构七种TL模型架构，保留特征提取层并替换分类头；3）选择Top4模型（VGG-16/VGG-19/MobileNet-V2/EfficientNet-B0）构建增强型堆叠集成；4）应用SHAP进行特征重要性分析和决策解释。

研究结果部分，4.1节实验设置显示研究采用Kaggle T4×2 GPU完成计算加速。4.2节个体模型性能比较揭示，重构后的VGG-19验证准确率达94%，而轻量级MobileNet-V2在保持90.4%准确率同时，预测速度仅2秒。4.3节的集成对比测试中，LungCT-NET以98.99%准确率和98.15% AUC值全面超越单模型，且MAE（1.0064）和FPR（3.4%）均为最低。4.6节的SHAP分析直观展示了不同模型关注的影像特征区域，如VGG系列聚焦中央区域，而MobileNet-V2更关注边缘特征。

4.7节消融实验证实，移除MobileNet-V2会使准确率下降0.93%，而缺少决策树基分类器的影响最大（下降1.17%）。4.8节与前沿研究的对比显示，LungCT-NET比现有最佳TL集成模型（97.23%）提升1.76个百分点，较传统CNN方法（如ProCAN的95.28%）优势更显著。

研究结论指出，LungCT-NET通过三大创新突破现有技术瓶颈：首先，多模型集成策略有效克服了单模型偏差，使F1-Score达到98.998；其次，SHAP解释技术使医生能直观理解AI关注的关键影像特征，解决了深度学习"黑箱"问题；最后，模型在保持2秒快速预测的同时，将误诊率降至1.01%，这对临床实践具有革命性意义。讨论部分强调，该框架的预处理流程能有效处理LDCT图像的低对比度问题，而重构的TL模型在少量医学数据下仍能取得优异表现，为医疗AI的落地应用提供了重要范式。未来通过纳入更多临床参数和三维注意力机制，有望进一步推动AI辅助诊断从实验室走向临床。