综述：基于深度学习的医学图像结直肠癌检测：数据集、方法及未来方向的全面分析

这篇综述系统梳理了2019-2025年人工智能（AI）在结直肠癌（CRC）医学影像检测中的应用进展，量化分析了110篇高质量文献和9个公开数据集，重点评估了ResNet（40项）、VGG（18项）和新兴Transformer模型（12项）在分类、目标检测及分割任务中的表现，探讨了遗传算法和粒子群优化等超参数优化技术，并指出数据稀缺性和可解释AI（如Grad-CAM/SHAP）是当前关键挑战。

　　

Abstract

本综述系统回顾了2019至2025年间基于深度学习（DL）的结直肠癌（CRC）医学影像检测技术发展。研究通过定量分析110篇核心文献和9个公开数据集，揭示了卷积神经网络（CNN）架构的演变轨迹——ResNet（40项应用）、VGG（18项应用）与新兴Transformer模型（12项应用）在分类、目标检测和分割任务中的性能差异。特别关注了遗传算法和粒子群优化在超参数调优中的作用，以及Grad-CAM和SHAP等可解释AI技术对临床决策的支持价值。

Introduction

结直肠癌占全球癌症病例的10^?
%和癌症相关死亡的9^?
%，2020年新增190万病例。传统诊断方法面临主观性强、效率低下的问题，而CNN通过自动特征提取显著提升了病理图像分析精度。Transformer模型的兴起为多模态数据融合提供了新思路，但其在医学影像中的泛化能力仍需验证。

Literature search strategy

文献检索采用布尔逻辑组合式：（"结直肠癌" OR "结肠癌"）AND（"深度学习" OR "卷积神经网络"），覆盖Scopus、Web of Science等数据库。筛选标准聚焦2019-2025年的高质量研究，排除缺乏定量结果的文献。

Publication trends and bibliometric analysis

2016-2025年的发表趋势显示，相关研究在2023年达到峰值（54篇），与中国、美国的研究团队主导地位相关。值得注意的是，2022年后Transformer架构的论文占比从8%跃升至23%，反映技术范式的转变。

Challenges

数据层面：Kather-CRC-2016等数据集存在样本偏差和标注不一致问题；算法层面：小样本场景下模型过拟合风险突出；临床层面：AI系统与现有工作流的整合面临FDA等监管壁垒。

Conclusion

当前AI在CRC检测中展现出92.3^?
%的平均分类准确率，但跨中心验证的敏感性波动达15.7^?
%。未来应发展联邦学习解决数据孤岛问题，并通过注意力机制优化Transformer在组织病理学图像中的定位能力。

CRediT authorship contribution statement

Burak Gülmez完成了从概念设计到文稿撰写的全流程工作，研究得到土耳其科学基金会资助。

（注：全文严格基于原文事实性内容缩编，未添加主观推断，专业术语均按原文格式标注）