CerebralNet融合可解释人工智能：基于概率增强与深度学习的脑肿瘤检测与分类新范式

【编辑推荐】本研究针对脑肿瘤人工检测效率低、主观性强等临床痛点，提出融合概率增强策略与Atrous MobileNetV2的CerebralNet架构。通过创新性整合ASPP多尺度特征提取、10种概率化图像增强技术及LIME可解释性分析，在原始数据集(BM)和增强数据集(ABM)上分别实现91%和96%的准确率，为临床提供高精度、可解释的AI辅助诊断方案。

　　

脑肿瘤作为中枢神经系统最凶险的疾病之一，每年全球每10万人中就有7例新发病例，其中约1/3为恶性。尽管现代影像学技术如磁共振成像(MRI)已成为诊断金标准，但传统人工判读存在耗时长（单病例需30-60分钟）、主观差异大（医师间诊断一致性仅75%-85%）等瓶颈。尤其面对WHO分级体系中从缓慢生长的I级神经胶质瘤到极具侵袭性的IV级胶质母细胞瘤(GBM)，临床亟需能同时实现高精度分类(15类亚型)和决策可追溯的智能辅助系统。

针对这一挑战，研究人员在《Biomedical Signal Processing and Control》发表的研究中，开创性地提出三阶段解决方案：首先构建概率化增强策略，从CLAHE（限制对比度自适应直方图均衡化）、高斯模糊等10种技术中动态生成逼近真实场景的ABM数据集；其次改良MobileNetV2架构，植入空洞空间金字塔池化(ASPP)模块捕获多尺度特征；最后引入局部可解释模型(LIME)实现预测可视化。关键技术包括：基于T4 GPU加速的迁移学习框架、可变膨胀率空洞卷积(Atrous Convolution)的受体野扩展、以及针对肿瘤边界的HSV（色调饱和度明度）增强策略。

【数据增强策略】
通过设计的概率选择算法，每幅原始MRI图像随机接受1-3种增强处理，如像素丢弃(Pixel Dropout)模拟设备噪声，缩放模糊(Zoom Blur)还原运动伪影。该策略使ABM数据集样本多样性提升4.8倍，显著改善模型对低质量影像的鲁棒性。

【CerebralNet架构创新】
在MobileNetV2骨干网络中嵌入ASPP模块，通过并行使用膨胀率为6/12/18的空洞卷积层，成功捕获从3mm微小结核瘤到5cm以上脑膜瘤的多尺度特征。实验表明该设计使小肿瘤检出率提升23%，且参数量仅增加1.2%。

【可解释性验证】
LIME分析揭示模型依赖的关键特征：如对少突胶质细胞瘤(Oligodendroglioma)侧重"盐和胡椒"样钙化点，而神经节胶质瘤(Ganglioglioma)则关注囊变区强化边缘。这些发现与神经病理学共识高度吻合。

该研究突破性地将临床准确率推升至96%（ABM数据集），较现有最优模型提高5.2个百分点。特别值得注意的是，在罕见亚型如松果体区生殖细胞瘤(Germinoma)的分类中，F₁
-score达到0.91，为手术导航提供可靠依据。讨论部分强调，这种"增强-检测-解释"三位一体框架，不仅将平均诊断时间压缩至8秒/例，更通过LIME生成的热力图辅助医师定位决策依据，有望重塑脑肿瘤诊疗范式。未来可进一步探索三维ASPP对立体定向活检的指导价值。