基于多路径特征融合的轻量化深度学习算法在癌症影像分割中的突破性应用

为解决医疗资源受限环境下深度学习算法计算成本高、部署困难的问题，Tarik Benabbou团队开发了新型多路径卷积神经网络PP-Net，通过长跳跃连接与多尺度特征融合技术，在MSD数据集上实现肺癌、脾脏和胰腺肿瘤的高精度分割，Dice系数提升5%-8%，参数量减少30%，为低收入地区癌症诊断提供高效解决方案。

　　

癌症作为全球第二大死因，每年导致近千万人死亡，早期诊断是提高治愈率的关键。然而传统医学影像分析依赖专业医师主观判断，存在效率低、一致性差等问题。尽管深度学习在CT/MRI分割中展现出潜力，但现有模型如U-Net、TransUNet等需要昂贵算力支持，难以在资源匮乏地区落地应用。这一矛盾促使摩洛哥哈桑二世大学EEA&TI实验室的Tarik Benabbou团队开展了一项突破性研究。

研究人员提出名为PP-Net的新型架构，其核心创新在于：1）多路径分析-合成结构通过长跳跃连接保留空间信息；2）渐进式特征融合系统整合多尺度卷积特征；3）基于sigmoid的注意力机制优化特征选择。模型在Medical Segmentation Decathlon（MSD）的肺、脾脏和胰腺数据集上进行验证，采用Dice系数、Hausdorff距离等指标评估。

实验结果显示：1）在MSD肺肿瘤分割任务中，PP-Net的Dice达到89.7%，较第二名DUCK-Net提升2.3%；2）参数量仅11.4M，比Swin-Unet减少67%；3）单次推理耗时23ms，满足实时性需求。讨论部分指出该方法首次实现精度与效率的协同优化，但存在sigmoid注意力机制可解释性不足的局限。未来将通过引入多尺度注意力与3D扩展进一步提升性能。

这项发表于《Computers in Biology and Medicine》的研究，为医疗资源不均衡地区的癌症筛查提供了可负担的AI解决方案，其轻量化设计理念对推动深度学习临床转化具有范式意义。团队计划后续开展跨模态迁移学习研究，以扩大算法适用范围。